Bien que les méthodes d'apprentissage de la représentation graphique aient été appliquées avec succès à diverses tâches d'exploration de données graphiques, elles couplent typiquement les informations graphiques en une représentation holistique non structurée. Cela rend difficile l'identification explicite de sous-structures avec des fonctionnalités spécifiques au sein du graphe et manque de la capacité à extraire des structures prototypes discrimantes pouvant être partagées entre les graphes. Pour relever ces défis, cet article propose le Réseau de Neurones Graphiques Désentrelacés par Sous-Graphe Prototype (PSDGNN). Il désentrelace explicitement les caractéristiques des nœuds en plusieurs groupes de facteurs latents indépendants grâce à la décomposition en facteurs latents et aux mécanismes d'alignement de prototypes. Un générateur de sous-graphe convertit ensuite ces facteurs en sous-graphes de facteurs pour modéliser des sous-structures sémantiques latentes. De plus, des sous-graphes prototypes apprenables sont introduits pour représenter les motifs structurels fondamentaux partagés entre les graphes. À travers des objectifs d'appariement de similarité et de minimisation d'information mutuelle, le modèle aligne les sous-graphes de facteurs avec les prototypes correspondants dans la sémantique structurelle. Les résultats expérimentaux démontrent une performance supérieure par rapport aux méthodes baselines existantes sur sept ensembles de données publics. Le modèle fournit des explications structurées et intuitives pour les décisions de classification à travers des sous-graphes de facteurs et des sous-graphes prototypes visualisables, améliorant considérablement l'interprétabilité et les capacités de généralisation.
Yang et al. (Mon,) ont étudié cette question.