面向少样本自解释图神经网络
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文综述了图神经网络（GNN）的可解释性方法，提出了新框架和模型，如ProtGNN和TAGE，以提高GNN的解释质量和效率。研究表明，这些方法在真实和合成数据集上均表现出良好的预测和解释能力，为未来研究提供了基础。
❓
Q&A
什么是图神经网络（GNN）的可解释性？
图神经网络的可解释性是指能够理解和解释GNN模型的预测结果及其决策过程的方法。
ProtGNN模型的主要特点是什么？
ProtGNN结合了原型学习与图神经网络，通过比较输入与潜在空间中的原型来获得预测结果，并提供内在的可解释性。
TAGE解释器的优势是什么？
TAGE是一种独立于下游模型的GNN解释器，能够在多个下游任务中提供更好的解释质量，优于现有的GNN解释方法。
PAGE方法如何提高GNN的解释质量？
PAGE通过发现人类可解释的原型图，提供比基于实例的解释更简洁和全面的解释，且在计算效率上表现优秀。
自我解释和自我监督的图神经网络（SES）有什么创新之处？
SES通过可解释训练和增强的预测学习，利用全局掩码生成器与图编码器联合训练，直接产生关键的结构和特征掩码。
本文对未来图神经网络可解释性研究的方向有哪些建议？
文章指出了未来研究的开放性问题和方向，包括改进现有方法的性能和效率，以及探索新的解释技术。
🏷️
