双向图结构学习，重新审视：内通道来源的报告增益
机器学习
2026-05-11 v1
摘要
双向图结构学习广泛被认为通过联合优化模型参数和学习到的图结构来提高图神经网络，其性能提升被归因于重新构成的邻接矩阵。我们发现，这种归因可能被高估：而非重新构成本身，内循环中的训练动力学捕获了大部分增益。为建立这一点，我们引入 frozen- 作为冻结图的控制变量，保留内循环训练计划。将双向增益分解为具有隐式梯度正则化的 步训练动力学的内通道，以及重新构成图本身的图通道。在时空流量预测任务中，内通道匹配或超过完整的双向管道，占据增益的 78-101%；在节点分类任务中，采用伯努利边水平参数化时占据 37-44%。我们还验证了经典谱诊断工具可与任务增益分离。我们提出 frozen- 作为双向图结构学习的标准化诊断工具，图蒸馏作为方法无关的补充手段。一个三前置框架进一步预测六个基准测试中双向增益的符号。
引用
@article{arxiv.2605.07577,
title = {Bilevel Graph Structure Learning, Revisited: Inner-Channel Origins of the Reported Gain},
author = {Minkyoung Kim and Beakcheol Jang},
journal= {arXiv preprint arXiv:2605.07577},
year = {2026}
}