SES: 连接解释性与图神经网络预测的差距
原文中文，约400字，阅读约需1分钟。发表于：。我们提出了一个自我解释和自我监督的图神经网络（SES），通过可解释训练和增强的预测学习来弥合解释性和预测之间的差距。SES 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，提供结点特征和子图解释，从而降低计算时间，并通过对比学习构建基于掩码的正负样本对来增强结点表示。
本文介绍了一种名为Prototype Graph Neural Network（ProtGNN）的新型网络结构，它将原型学习与图神经网络相结合，为GNN的解释提供了新的视角。ProtGNN通过比较输入与学习的原型来获得预测结果，并增加了条件子图抽样模块来提高解释和效率。实验证明，ProtGNN能够提供可解释性和准确性。
