[论文解读] GraphNNK -- Graph Classification and Interpretability

Željko Bolević, Miloš Brajović+2 more|arXiv (Cornell University)|Jan 31, 2026

Explainable Artificial Intelligence (XAI)被引用 0

一句话总结

论文在 Graph Isomorphism Network 中用非负核回归（NNK）替代参数化 softmax 分类器，以实现可解释的、基于示例的图分类，且在 NCI1 数据集上进行评估。

ABSTRACT

Graph Neural Networks (GNNs) have become a standard approach for learning from graph-structured data. However, their reliance on parametric classifiers (most often linear softmax layers) limits interpretability and sometimes hinders generalization. Recent work on interpolation-based methods, particularly Non-Negative Kernel regression (NNK), has demonstrated that predictions can be expressed as convex combinations of similar training examples in the embedding space, yielding both theoretical results and interpretable explanations.

研究动机与目标

• 在图分类中动机解释性，超越参数化 softmax 层。
• 研究非参数、基于邻居的推断（NNK）是否可以替代 GNN 的 softmax 分类器。
• 评估嵌入质量如何影响 NNK 的性能与可解释性。
• 展示一个端到端架构，其中 NNK 提供透明、基于示例的预测。

提出的方法

• 训练一个 Graph Isomorphism Network (GIN) 以学习图嵌入。
• 在嵌入空间中用 Non-Negative Kernel 回归（NNK）插值器替代最终的线性 softmax 分类器。
• 在测试时使用 FAISS 检索最近的 k 个训练图嵌入，并求解一个基于 Cholesky 的二次规划以获得非负重构权重 θ。
• 通过对活跃邻居的标签进行凸组合，按归一化权重 w 计算类别概率。
• 可解释性源自预测是对信息量较大的训练示例子集的插值，并且具有明确权重。
• 在 NCI1 数据集上进行评估，在相同训练条件下将 NNK 与有监督基线进行比较。

实验结果

研究问题

• RQ1 用 NNK 替代 softmax 分类器是否能在对 GIN 嵌入进行良好优化的情况下提高或至少保持图分类准确性？
• RQ2 嵌入质量如何影响 NNK 在图分类中的性能和稳定性？
• RQ3 在图分类中，NNK 在多大程度上能提供透明、基于示例的预测解释？
• RQ4 使用非参数推断对图结构数据的泛化性和可解释性有何影响？

主要发现

• NNK 在最佳验证点上持续优于有监督基线（在 NCI1 上，例如在 epoch 90 时准确率从 0.7786 提升到 0.8273）。
• NNK 的优势取决于嵌入质量；当嵌入不够稳定或未充分优化时，性能下降。
• 可解释性来自于预测是对具有非零权重的一组活跃邻居的凸组合。
• 该方法表明在获得良好嵌入表示的前提下，非参数推断可以匹配甚至超过参数化分类器。
• 解释直接关联到对预测有贡献的具体训练样本，通过插值权重实现。