AAAI 2022 | ProtGNN：自解释图神经网络

  尽管图形神经网络(GNNs)的研究近来取得较大进展，但如何解释GNN的预测仍是一个具有挑战性的难题。现有的解释方法主要集中在事后解释上，无法揭示GNN的原始推理过程，因此，建立具有内在可解释性的GNN是非常有必要的。本文中，作者提出了原型图神经网络模型(ProtGNN)，它将原型学习与GNN相结合，为GNN的解释提供了一个新的视角。在ProtGNN中，解释是由基于案例的推理过程自然产生的，并在分类过程中实际使用。ProtGNN的分类预测是通过将输入与潜在空间中学习到的一些原型进行相似度比较而得到的；此外，为了获得更好的可解释性和更高的效率，在ProtGNN+中加入了一个新的条件子图采样模块，以表明输入图的哪一部分与每个原型最相似。最后，作者在广泛的数据集上评估上述模型，并进行了具体的案例研究，结果表明，ProtGNN / ProtGNN+可以提供较好的内在解释性，同时达到与现有的不可解释的GNN相当的分类精度。

文章地址

https://www.zhuanzhi.ai/paper/c98ef05dcad9c6869ae93e74de5ffec2 代码地址

https://github.com/zaixizhang/ProtGNN

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“PRGNN” 就可以获取《AAAI 2022 | ProtGNN：自解释图神经网络》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取70000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取70000+AI主题知识资源