原型图生成模型：通过锚主凸包实现可解释且可识别的社区

表示学习一直是图机器学习任务（如链接预测、社区检测和网络可视化）的关键。尽管近期在实现下游任务高性能方面取得了进展，但在自解释模型方面几乎没有取得进展。理解预测背后的模式同样重要，这激发了对可解释机器学习的近期兴趣。在本文中，我们提出了 GraphHull，一种可解释的生成模型，通过两层凸包表示网络。全局层面上，凸包的顶点被视为原型，每个原型对应于网络中的纯社区。在局部层面，每个社区由具有代表性轮廓的原型 hull 细化，其顶点作为代表性轮廓，捕捉社区特定的变异。这种两层构建产生清晰的多尺度解释：节点相对于全局原型和局部原型的位置直接解释了其边。该几何结构设计上具有良好性质，同时通过构造保持局部 hull 的互斥性。为进一步鼓励多样性和稳定性，我们引入原则化的先验，如行列式点过程，并在可扩展抽样下进行最大后验(MAP)估计。实验表明，GraphHull 能够恢复多层社区结构，在链接预测和社区检测中实现具有竞争力或优越的性能，同时自然提供可解释的预测。