从特征到图：基于 GNN 探索图结构与成对交互

特征交互在预测性机器学习模型中至关重要，因为它捕捉了影响模型性能的特征之间的关系。在本工作中，我们关注成对交互，并研究其在为图神经网络（GNN）构建特征图中的重要性。我们利用现有的 GNN 模型和工具来探索特征图结构与其在建模交互中有效性之间的关系。通过对合成数据集的实验，我们发现交互特征之间的边对于使 GNN 有效建模特征交互至关重要。我们还观察到，包含非交互边会作为噪声，降低模型性能。此外，我们利用最小描述长度（MDL）原理为稀疏特征图选择提供了理论支持。我们证明，仅保留必要交互边的特征图比完全图产生更高效和可解释的表示，这与奥卡姆剃刀原理相一致。我们的发现为设计提高 GNN 模型性能和可解释性的特征图提供了理论见解和实用指南。