Meta路径注意力是解释吗？关于异构图神经网络中对齐与解耦的实证证据
机器学习
2026-02-10 v1
摘要
Meta路径基准的异构图神经网络聚合 meta-path 诱导的视图，其在语义层面的注意力被广泛用作“哪些语义重要”的叙事。我们通过提出三个问题来实证研究此假设：（1）meta路径注意力何时反映 meta-path 重要性，（2）何时可解耦。一个关键挑战是，大多数后置异构图解释器设计用于均质图，简化适应以处理异构邻居可能混合语义并混淆扰动。为实现受控实证分析，我们引入MetaXplain，一个 meta-path 感知的后置解释协议，通过（i）view-factorized解释、（ii）schema-valid channel级扰动、（iii）fusion-aware归因，在不修改底层预测器的前提下将现有解释器应用于原生 meta-path 视图域。我们对代表性的梯度、扰动和Shapley风格解释器在ACM、DBLP和IMDB上的HAN和HAN-GCN进行基准测试，比较了xPath和type-matched随机基线，并在标准忠诚度指标下进行评估。为量化注意力可靠性，我们提出Meta-Path注意力-解释对齐（MP-AEA），该度量衡量在随机运行中，学习的注意力权重与解释导出的 meta-path 贡献得分之间的秩相关性。我们的结果显示，meta-path感知解释通常优于随机控制，而MP-AEA揭示了取决于数据集和 backbone 的高对齐和统计显著解耦情形；此外，retraining on explanation-induced子图通常保持，甚至在某些噪声情形下提高，预测性能，暗示了解释即去噪效应。
引用
@article{arxiv.2602.08500,
title = {Is Meta-Path Attention an Explanation? Evidence of Alignment and Decoupling in Heterogeneous GNNs},
author = {Maiqi Jiang and Noman Ali and Yiran Ding and Yanfu Zhang},
journal= {arXiv preprint arXiv:2602.08500},
year = {2026}
}