从模型到数据 (M2D)：将复杂度从 GNN 转移至图以实现透明图学习
机器学习
2026-05-11 v1
摘要
图神经网络 (GNN) 取得了高性能，但对人类而言可能是不透明的，这使得理解和比较众多已提出的架构变得困难。虽然现有的可解释性方法将个体预测归因于节点、边或特征，但它们不提供架构透明性，也无法解释简单模型与更复杂模型之间根本的性能差距。为解决这一局限性，我们引入了 Model-to-Data (M2D) 蒸馏，这是一种通过将模型复杂度转移到数据空间来提升透明度的新框架。M2D 将教师模型蒸馏为一个具有丰富特征和结构的增强图，使得简单的学生模型能够匹配教师模型的性能。通过在数据中物化模型行为，我们的方法允许人类直接检查架构优势。我们表明，M2D 以可解释的方式揭示了诸如公平性目标和基于注意力的聚合等底层机制，在保持性能的同时增强了 GNN 的透明度。
引用
@article{arxiv.2605.06814,
title = {From Model to Data (M2D): Shifting Complexity from GNNs to Graphs for Transparent Graph Learning},
author = {Debolina Halder Lina and Arlei Silva},
journal= {arXiv preprint arXiv:2605.06814},
year = {2026}
}