概念图卷积：概念空间中的消息传递
机器学习
2026-04-23 v1
摘要
图神经网络的预测信任度因其不透明的推理过程而受限。先前的方法试图通过从消息传递后获得的潜在表示中提取基于概念的解释来解释图网络。然而，这些解释未能解释消息传递过程本身。为此，我们提出了概念图卷积，这是第一个旨在对节点级概念进行操作以提高可解释性的图卷积。所提出的卷积层使用结构化和基于注意力的边权重，在原始表示和概念表示的组合上执行消息传递。我们还提出了该卷积的一个纯变体，仅在概念空间中操作。我们的结果表明，概念图卷积允许获得具有竞争力的任务精度，同时能够更深入地了解概念在卷积步骤中的演变。
引用
@article{arxiv.2604.20082,
title = {Concept Graph Convolutions: Message Passing in the Concept Space},
author = {Lucie Charlotte Magister and Pietro Lio},
journal= {arXiv preprint arXiv:2604.20082},
year = {2026}
}