MEGAN：多解释图注意力网络

我们提出一种多解释图注意力网络（MEGAN）。与现有图可解释性方法不同，我们的网络可沿多个通道生成节点与边归因解释，通道数量与任务设定无关。这对提升图回归预测的可解释性至关重要，因为解释可相对于参考值拆分为正证据与负证据。此外，我们基于注意力的网络完全可微，且解释可通过解释监督方式主动训练。我们首先在具有已知真实解释的的合成图回归数据集上验证模型。我们的网络在单解释与多解释情形下均优于现有基线可解释性方法，在解释监督中达到近乎完美的解释准确率。最后，我们在多个真实世界数据集上展示模型能力。我们发现模型生成稀疏高保真解释，与对这些任务的人类直觉一致。