神经科学对脑网络进行了广泛的研究，以便更好地理解人类行为以及识别和描述神经和精神疾病条件下的分布式脑异常。已经提出了几种用于脑网络分析的深度图学习模型，但大多数当前模型缺乏可解释性，这使得很难从结果中获得任何启发性的生物学见解。在本文中，我们提出了一种新的可解释图学习模型，称为分层脑嵌入（HBE），以根据网络社区结构提取脑网络表示，从而产生可解释的分层模式。我们应用我们的新方法从使用 ICA 从人类连接组计划扫描的 1,000 名年轻健康受试者获得的功能性脑网络中预测攻击性、违反规则和其他标准化行为分数。我们的结果表明，所提出的 HBE 在预测行为指标方面优于几种最先进的图学习方法，并且展示出与临床症状相关的类似分层脑网络模式。