HARMONIA框架实现可扩展且可解释的图学习
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载特征侧引入神经基混合
HARMONIA 在特征建模上采用了一种名为 Mixture of Neural Bases（MoNB）的机制，其做法是把特征路由到各自专门的基专家上。论文作者指出，此前的可解释图加法模型在特征成分上要么为每个特征单独配置神经网络，要么只使用单一共享基，后者的特征专门化程度有限。MoNB 试图在两者之间取得平衡：既让参数得到共享，又不放弃针对单个特征的专门化处理。这一设计是 HARMONIA 作为 interpretable-by-design 框架的组成部分之一，与结构侧的建模方式相互配合，共同支撑起模型整体的可解释性。
结构侧用稀疏传播算多跳
在结构建模方面，HARMONIA 使用 Relative Random Walk Probabilities（RRWP）来刻画多跳与多路径之间的关系。作者提到，以往方法在结构建模上要么面临平方级的扩展开销，要么无法显式地分解源到目标的贡献。为绕开平方级的成对复杂度，论文提出了 Sparse RRWP Aggregation（SRA），通过稀疏图传播来计算这些交互。这样处理之后，模型在结构侧不再依赖稠密的成对运算，而是借助稀疏传播完成多跳、多路径关系的聚合，从而在保留结构信息表达的同时控制计算代价。
加法形式与预测分解
HARMONIA 保留了简单的加法形式，预测结果被分解为受结构影响调制的特征响应。这种分解方式意味着，模型的输出可以追溯到特征层面的响应以及结构对其施加的影响，而不是一个难以拆解的黑箱结果。论文将这一性质与前述的 MoNB 和 SRA 并列，视为框架可解释性的来源。作者在摘要中强调，该框架的目标是让可解释图学习在保持忠实解释的同时具备可扩展性，并且不牺牲预测效果。
实验表现与规模
在实证方面，论文报告 HARMONIA 相比现有的可解释图基线取得了更强的解释恢复能力，同时保持了有竞争力的预测性能，并且能够扩展到拥有数百万节点的图。作者据此认为，可解释图学习可以在不牺牲预测有效性的前提下，同时做到忠实与可扩展。该工作提交于 2026 年 9 月 27 日，作者包括 Quan D. Bui、Nguyen Do、An Nguyen Dang、Huyen Nguyen、Nhu Duc Minh Nguyen 与 My T. Thai，涉及 stat.ML、cs.AI 与 cs.LG 等分类。
为什么值得看
解决可解释图学习在扩展性与灵活性间的矛盾，实现百万节点规模下的高保真解释与强预测。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。