摘要

本文探讨了图神经网络（GNNs）在图挖掘中的应用，特别是在图级任务中对长程依赖和全局交互的需求。传统的解释方法主要集中在节点级别的局部结构上，而本文提出了一种新的全局交互模式（GIP）学习方案，用于图分类任务，旨在通过学习可解释的全局交互模式来明确解释决策过程。该方法首先通过约束图聚类模块对大量节点进行聚类，然后通过匹配粗化的全局交互实例与一批自解释的图原型，从而促进透明的图级推理过程。实验结果表明，所提出的GIP方法在解释性和性能方面均优于现有最先进的方法。

原理

本文提出的全局交互模式（GIP）学习方案的核心在于通过两个关键模块实现图分类的可解释性：聚类分配模块和交互模式匹配模块。首先，聚类分配模块通过迭代聚合具有相似特征或紧密连接的组件，形成集群级别的表示，并基于局部结构之间的交互提取全局结构信息，从而实现全局交互的建模。接着，交互模式匹配模块定义了可学习的全局交互模式，这些模式以图结构的形式直接揭示图级别的关键模式，并通过图核计算相似度，推动交互模式的学习和匹配。最终，通过相似度得分，使用带有softmax的全连接层计算每个类别的输出概率。

流程

1. 输入图：接收输入图数据。
2. 聚类分配模块：对图中的节点进行聚类，形成集群级别的表示。
3. 交互模式匹配模块：将粗化的图与预定义的交互模式进行匹配，计算相似度。
4. 相似度基于的预测：利用相似度得分通过全连接层和softmax函数进行分类预测。
5. 输出预测结果：输出每个类别的概率分布。

应用

所提出的GIP学习方案适用于需要图级解释的广泛应用场景，如生物信息学中的蛋白质结构分析、社交网络分析、电力系统网络分析等。该方法不仅提高了模型的解释性，还保持了与现有最先进方法相竞争的性能，预示着在安全和关键领域应用中的广阔前景。