超越消息传递：面向高表达性和可解释图学习的符号方法
机器学习
2026-02-25 v2 人工智能
摘要
图神经网络 (GNN) 已成为药物发现等高风险领域的关键技术，但其黑箱本质仍是可信度的重要障碍。虽然自解释型 GNN 试图弥合这一差距，但它们往往依赖标准的消息传递骨干，继承了包括 1-Weisfeiler-Lehman (1-WL) 可表达性限制在内的根本性局限，缺乏细粒度可解释性。为此，我们提出 SymGraph，一种旨在超越这些限制的符号框架。通过用离散结构散列和拓扑角色基聚合取代连续消息传递，我们的架构在理论上超越了 1-WL 限制，实现了更高的可表达性，而无需可微优化的开销。广泛的实证评估表明，SymGraph 实现了最先进的性能，超过了现有的自解释型 GNN。值得注意的是，SymGraph 在仅使用 CPU 执行时，训练时间快 10 倍到 100 倍。此外，SymGraph 生成的规则在语义粒度上优于现有的基于规则的方法，为科学发现和可解释 AI 提供了巨大的潜力。
引用
@article{arxiv.2602.16947,
title = {Beyond Message Passing: A Symbolic Alternative for Expressive and Interpretable Graph Learning},
author = {Chuqin Geng and Li Zhang and Haolin Ye and Ziyu Zhao and Yuhe Jiang and Tara Saba and Xinyu Wang and Xujie Si},
journal= {arXiv preprint arXiv:2602.16947},
year = {2026}
}
备注
23 pages, 9 pages