论文标题：
Interpretable and Generalizable Graph Learning via Stochastic Attention Mechanism

论文链接：

https://proceedings.mlr.press/v162/miao22a.html

代码链接：

https://github.com/Graph-COM/GSAT

图学习模型广泛应用于科学领域，例如物理学和生物化）。对于科学家来说，相比于建立准确的预测模型，从诱发某些预测的数据中发现模式更为重要。最近，图神经网络（GNN）由于其强大的表达能力几乎成为了主流的图学习模型。然而，它们的表现力通常建立在不规则图特征的高度非线性纠缠之上。因此，从 GNN 用于进行预测的数据中找出模式通常十分具有挑战性。

本文通过提出 Graph Stochastic Attention（GSAT）来迎接上述挑战，GSAT 是一种新颖的注意力机制，用于构建具有内在可解释性和良好泛化性的 GNN。GSAT 的基本原理源于信息瓶颈（IB）的概念。研究通过将随机性注入到注意力中来将注意力制定为 IB，以约束从输入图到预测的信息流。与标签无关的图组件的这种随机性将在训练期间保持，而与标签相关的图组件的随机性可以自动减少。这种差异最终提供了模型解释。