WILTing 树：解释 MPNN 嵌入之间的距离
机器学习
2025-06-02 v1
摘要
我们研究了消息传递神经网络（MPNN）在特定任务中学习到的距离函数，旨在捕获 MPNN 隐式学习的预测目标之间的功能距离。这与之前的工作形成对比，后者将任意任务上的 MPNN 距离与图上的结构距离联系起来，而忽略了任务特定的信息。为了解决这一差距，我们将 MPNN 嵌入之间的距离提炼为一种可解释的图距离。我们的方法在 Weisfeiler Leman 标记树（WILT）上使用最优传输，其中边权重揭示了对嵌入之间距离有强烈影响的子图。这种方法推广了两种著名的图核，并且可以在线性时间内计算。通过广泛的实验，我们证明了 MPNN 通过关注在领域中已知具有功能重要性的一小部分子图来定义嵌入的相对位置。
引用
@article{arxiv.2505.24642,
title = {WILTing Trees: Interpreting the Distance Between MPNN Embeddings},
author = {Masahiro Negishi and Thomas Gärtner and Pascal Welke},
journal= {arXiv preprint arXiv:2505.24642},
year = {2025}
}
备注
25 pages, 10 figures. Accepted to ICML 2025. See https://github.com/masahiro-negishi/wilt for code