高阶图神经网络的可解释性研究：结构一致性解释与表达能力分析

本研究聚焦高阶图神经网络（如1-2-3-GNN）与标准消息传递架构在模型级解释的结构一致性方面的差异，探讨表达能力更强的高阶GNN是否能产生更一致的结构化解释。核心问题包括图神经网络的表达能力（与WL测试相关）、可解释性的两个层面（实例级与模型级），以及高阶GNN在捕捉复杂结构模式上的优势与机制。

图神经网络（GNN）在分子性质预测、社交网络分析等领域成功应用，但面临表达能力与可解释性两大核心问题。表达能力方面，标准消息传递GNN（如GCN、GAT）等价于1-WL测试，无法区分某些结构（如正则图）；高阶GNN（k-GNN）通过k元组节点邻域提升表达能力至k-WL水平，1-2-3-GNN则是层次化整合1/2/3元组的可行实现。可解释性分为实例级（特定预测的解释）与模型级（整体学到的模式），结构一致性指解释在图结构上的合理性与一致性（如连通子图、稳定模式）。

本研究通过对比实验评估1-2-3-GNN与标准GNN（GCN、GIN）的解释结构一致性。实验要素包括：

1. 基准数据集：选择分子、社交网络等具有明确结构语义的数据集；
2. 解释提取：采用神经子图挖掘、概念激活向量、原型学习等模型级解释方法；
3. 一致性评估：通过解释子图的连通性、模式稳定性、领域知识吻合度等指标量化结构一致性。 GIN作为基准模型，其表达能力达到1-WL上界，便于对比高阶GNN的优势。

研究发现高阶GNN（1-2-3-GNN）相比标准GNN，能产生更具结构一致性的模型级解释：

1. 解释子图更连通，重要节点形成连通结构而非孤立节点；
2. 关键模式更稳定，跨训练运行或数据子集保持一致；
3. 与领域知识更吻合（如分子数据中的化学功能基团）。 机制包括：高阶GNN可直接编码k元组局部结构（如三角形）、更强的判别能力（区分标准GNN无法识别的结构），以及与任务归纳偏置的更好匹配。

高阶GNN存在以下局限性：

1. 计算开销显著高于标准GNN，大规模图应用面临挑战；
2. 在小规模数据集上易过拟合；
3. 解释涉及复杂k元组结构，可能增加人类理解难度。 需根据应用场景权衡表达能力、计算成本与解释可用性。

应用方面，高阶GNN的结构一致解释可助力科学发现（如分子设计），并为模型选择提供依据（高可解释性需求场景优先选择）。未来研究方向包括：

1. 自适应阶数选择：自动选择最优k值；
2. 高效高阶GNN：降低计算复杂度；
3. 人机交互解释：直观呈现复杂结构解释；
4. 因果可解释性：探索图结构中的因果关系。