原创力文档- 1、本文档共29页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
计算机研究与发展DOI：10.7544/issn1000-1239.202440142
JournalofComputerResearchandDevelopment61（8）：1993?2007，2024
HSEGRL：一种分层可自解释的图表示学习模型
李平1,2宋舒寒1,2张园1,2曹华伟1,3叶笑春1唐志敏1
1（处理器芯片全国重点实验室（中国科学院计算技术研究所）北京100190）
2（中国科学院大学北京100049）
3（中国科学院大学南京学院南京211135）
（liping20b@）
HSEGRL:AHierarchicalSelf-ExplainableGraphRepresentationLearningModel
LiPing1,2,SongShuhan1,2,ZhangYuan1,2,CaoHuawei1,3,YeXiaochun1,andTangZhimin1
1（StateKeyLabofProcessors(InstituteofComputingTechnology,ChineseAcademyofSciences),Beijing100190）2（UniversityofChineseAcademyofSciences,Beijing100049）
3（UniversityofChineseAcademyofSciences,Nanjing211135）
AbstractInrecentyears,withtheextensiveapplicationofgraphneuralnetwork(GNN)technologyinthefieldssuchassocialnetwork,information,chemistryandbiology,theinterpretabilityofGNNhasattractedwidespreadattention.However,prevailingexplanationmethodsfailtocapturethehierarchicalexplanationinformation,andthesehierarchicalinformationhasnotbeenfullyutilizedtoimprovetheclassificationaccuracyofgraphtasks.Toaddressthisissue,weproposeahierarchicalself-explanationgraphrepresentationlearningmodelcalledHSEGRL(hierarchicalself-explanationgraphrepresentationlearning).Thismodel,bydiscoveringhierarchicalinformationinthegraphstructure,predictsgraphclassificationswhileoutputtinghierarchicalself-explanationresults.Specifically,wedesignthebasicunitforextractinghierarchicalinformation—interpreters.Theseinterpretersconsistofanencoderthatextractsnodefeatures,apoolinglayerthatperceiveshierarchicalexplanation-awaresubgraphs,andade
文档评论（0）