B-cos GNNs：通过动态线性实现忠实解释
机器学习
2026-05-28 v2
摘要
我们引入了B-cos GNNs，这是一类内在可解释的图神经网络，其预测通过一个单一的、依赖于输入的线性映射精确分解为每个节点、每个特征的贡献。B-cos GNNs使用线性（基于求和的）聚合，并用B-cos变换替换非线性消息和更新函数。这诱导出有意义的、任务特定的权重-输入对齐，可通过模型的动态线性直接访问。实例级解释仅需一次前向和反向传播，无需辅助解释器、修改学习目标或扰动过程。以GIN为例进行实例化，我们的方法在多种合成和真实世界基准测试中，以预测准确性的小幅损失换取了最先进的可解释性，产生的解释速度比事后解释基线快几个数量级。
引用
@article{arxiv.2605.19778,
title = {B-cos GNNs: Faithful Explanations through Dynamic Linearity},
author = {Joschka Groß and Mohammad Shaique Solanki and Verena Wolf},
journal= {arXiv preprint arXiv:2605.19778},
year = {2026}
}