买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利基于网络模体的图神经网络可解释方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115730657B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211452851.0，技术领域涉及：G06N3/0985；该发明授权基于网络模体的图神经网络可解释方法是由于硕;罗乃文;丁锋;王婷婷设计研发完成，并于2022-11-21向国家知识产权局提交的专利申请。

本基于网络模体的图神经网络可解释方法在说明书摘要公布了：本发明属于图神经网络的可解释性领域，公开了一种基于网络模体的图神经网络可解释方法，可以识别出图神经网络中高频出现的低阶结构模体，通过反事实推论证明该模体对实际预测结果有十分重要的影响，从而对图神经网络的可解释性起到关键的作用，并且可以提供更好的解释服务。本发明讨论了模型超参数和解释大小对模型性能的影响，在合成和真实数据集上均展示优于其他基线的性能。本发明创建的方法是模型不可知的，因此在理论上适用于所有的图神经网络。

本发明授权基于网络模体的图神经网络可解释方法在权利要求书中公布了：1.一种基于网络模体的图神经网络可解释方法，其特征在于，步骤如下： 步骤100，根据输入图G实例邻接矩阵A生成GNNs预测的可解释子图，通过为模体邻接矩阵构建模体感知矩阵来指导子图生成； 步骤101，根据正态分布初始化构造一个与图实例邻接矩阵A形状相同的随机掩模矩阵M，根据步骤102通过随机掩码矩阵M计算模体邻接矩阵； 步骤102，用模体邻接矩阵作为模体感知矩阵指导生成GNNs预测的可解释子图；包含节点i,j的模体邻接矩阵计算公式为：；其中，表示包含节点i和节点j的模体的权重之和；是真值指示函数，如果1中的语句为真，取值为1，否则取值为0；是整个节点集，是一个选择函数，用来取的子集； 步骤103，使用Sigmoid激活函数将随机掩模矩阵M标准化，将变量映射到0,1之间； 步骤104，得到可解释子图生成公式为：将步骤101中随机掩模矩阵M、步骤102中模体邻接矩阵与调整模体对掩模效果的超参数进行矩阵相乘得到，即；通过改变超参数控制模体邻接矩阵对生成的可解释子图的影响； 步骤105，计算步骤104中可解释子图的邻接矩阵，将输入的图实例邻接矩阵A与步骤104得到的相乘得到子图邻接矩阵，即；根据子图邻接矩阵与图实例邻接矩阵A计算反事实邻接矩阵，即； 步骤106，将步骤105中得到的子图邻接矩阵的集合构成生成子图，并返回生成可解释子图；将步骤105中得到的反事实邻接矩阵的集合构成反事实图，并返回反事实图； 步骤200，反事实优化；计算最大的反事实推理条件和优化模型； 步骤201，根据步骤106得到反事实图中预测c发生概率与输入图G中预测c发生概率之间差值的绝对值表示两图之间的预测差异，即； 步骤202，用距离函数来减小反事实图与输入图G之间的差异，即；事实图与原始图G的差异具体分为两种模式，分别是解释大小的差异和解释稀疏性差异；应用范数计算事实图解释大小与原始图G解释大小的差异，即，解释稀疏性差异； 步骤203，计算最大的反事实推理条件：首先通过步骤201中计算的反事实图与原始图之间的预测差距，然后通过步骤202计算得到反事实图与原始图之间的差距，最后利用超参调节步骤201与步骤202计算结果的平衡性，即； 步骤204，计算反事实优化模型，根据超参数平衡解释的真实性和反事实性比例，解释子图的预测为，步骤202中超参数，步骤203中最大的反事实推理条件，计算得到优化模型如下： 。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。