ترجمه فارسی مقاله به سمت چند شبکه عصبی نمودار خود تصویربرداری چند عکس

چکیده

Recent advancements in Graph Neural Networks (GNNs) have spurred an upsurge of research dedicated to enhancing the explainability of GNNs, particularly in critical domains such as medicine. A promising approach is the self-explaining method, which outputs explanations along with predictions. However, existing self-explaining models require a large amount of training data, rendering them unavailable in few-shot scenarios. To address this challenge, in this paper, we propose a Meta-learned Self-Explaining GNN (MSE-GNN), a novel framework that generates explanations to support predictions in few-shot settings. MSE-GNN adopts a two-stage self-explaining structure, consisting of an explainer and a predictor. Specifically, the explainer first imitates the attention mechanism of humans to select the explanation subgraph, whereby attention is naturally paid to regions containing important characteristics. Subsequently, the predictor mimics the decision-making process, which makes predictions based on the generated explanation. Moreover, with a novel meta-training process and a designed mechanism that exploits task information, MSE-GNN can achieve remarkable performance on new few-shot tasks. Extensive experimental results on four datasets demonstrate that MSE-GNN can achieve superior performance on prediction tasks while generating high-quality explanations compared with existing methods. The code is publicly available at https://github.com/jypeng28/MSE-GNN.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در شبکه های عصبی نمودار (GNN) باعث افزایش روند تحقیقات اختصاص داده شده برای تقویت توضیحات GNN ها ، به ویژه در حوزه های بحرانی مانند پزشکی شده است.یک رویکرد امیدوار کننده روش خود توضیح است که توضیحات را به همراه پیش بینی ها ارائه می دهد.با این حال ، مدل های خود توضیح موجود به مقدار زیادی از داده های آموزشی نیاز دارند و آنها را در سناریوهای چند شات در دسترس نیست.برای پرداختن به این چالش ، در این مقاله ، ما یک GNN خود توضیح داده شده متا (MSE-GNN) را پیشنهاد می کنیم ، یک چارچوب جدید که توضیحاتی را برای پشتیبانی از پیش بینی ها در تنظیمات چند شات ایجاد می کند.MSE-GNN یک ساختار خود توضیح دو مرحله ای ، متشکل از یک توضیح دهنده و یک پیش بینی کننده را اتخاذ می کند.به طور خاص ، توضیح دهنده ابتدا از مکانیسم توجه انسان برای انتخاب زیرگراف توضیحات تقلید می کند ، به موجب آن به طور طبیعی توجه به مناطقی که حاوی ویژگی های مهم هستند ، توجه می شود.پس از آن ، پیش بینی کننده روند تصمیم گیری را تقلید می کند ، که پیش بینی ها را بر اساس توضیحات تولید شده انجام می دهد.علاوه بر این ، با یک فرآیند جدید تر آموزش و یک مکانیزم طراحی شده که از اطلاعات کار سوء استفاده می کند ، MSE-GNN می تواند در کارهای چند عکس جدید به عملکرد قابل توجهی برسد.نتایج تجربی گسترده در چهار مجموعه داده نشان می دهد که MSE-GNN می تواند در حالی که توضیحات با کیفیت بالا را در مقایسه با روش های موجود تولید می کند ، عملکرد برتر را در کارهای پیش بینی بدست آورد.این کد به صورت عمومی در https://github.com/jypeng28/mse-gnn در دسترس است.