面向少样本自解释图神经网络
机器学习
2024-08-15 v1 人工智能
摘要
图神经网络（GNN）的最新进展推动了增强GNN可解释性的研究激增，特别是在医学等关键领域。自解释方法是一种有前景的方法，它同时输出解释和预测。然而，现有的自解释模型需要大量训练数据，使其在少样本场景下不可用。为应对这一挑战，本文提出了一种元学习自解释GNN（MSE-GNN），一种在少样本设置中生成解释以支持预测的新型框架。MSE-GNN采用两阶段自解释结构，由解释器和预测器组成。具体而言，解释器首先模仿人类注意力机制来选择解释子图，注意力自然聚焦于包含重要特征的区域。随后，预测器模仿决策过程，基于生成的解释进行预测。此外，通过一种新颖的元训练过程和利用任务信息的设计机制，MSE-GNN在新少样本任务上取得了显著性能。在四个数据集上的大量实验结果表明，MSE-GNN在预测任务上取得了优于现有方法的性能，同时生成了高质量的解释。代码在https://github.com/jypeng28/MSE-GNN上公开。
引用
@article{arxiv.2408.07340,
title = {Towards Few-shot Self-explaining Graph Neural Networks},
author = {Jingyu Peng and Qi Liu and Linan Yue and Zaixi Zhang and Kai Zhang and Yunhao Sha},
journal= {arXiv preprint arXiv:2408.07340},
year = {2024}
}