SeeExplainer：利用颗粒球与协同边效应提升图解释忠实度

2026年7月24日

论文信息
* 标题：Towards Faithful Graph Explanations with Synergistic Edge Effects via Granular Balls
* 作者：Jiancu Chen, Shuyin Xia, Guan Wang, Degang Chen, Fan Chen
* 发表日期：2026年7月23日
* 来源：arXiv: 2607.21381 [cs.AI]
* 链接：https://arxiv.org/abs/2607.21381

核心事件辨析

在可解释人工智能（XAI）领域，如何让模型“说人话”一直是一个难题。对于图神经网络（GNN）而言，传统的解释方法往往过于简化，忽略了图中节点和边之间复杂的相互作用。

近日，由 Jiancu Chen 等人提交的最新研究提出了一种名为 SeeExplainer 的新方法。该方法通过引入“颗粒球（Granular Balls）”机制，解决了现有 GNN 解释器忽视边协同效应（Synergistic Edge Effects）的问题，从而提供了更忠实、更准确的图决策解释。

痛点：被忽视的“协同效应”

在图数据分析中，Instance-level explanations（实例级解释）旨在揭示模型针对特定图数据的决策逻辑。

目前主流的解释方法通常采用以下流程：
1. 选择重要的边。
2. 诱导生成子图。
3. 通过对每条边进行扰动（Perturbation），观察模型预测的变化来评估该边的重要性。

存在的问题：
这种“单点扰动”的方法往往假设边之间是独立的，从而忽视了边之间的协同效应。然而，在实际的网络结构中，多条边共同作用才能体现其真实重要性，单独看某条边可能并不显著，但组合起来却至关重要。忽略这一点会导致解释结果失真，无法准确反映 GNN 的真实推理过程。

解决方案：SeeExplainer 与颗粒球机制

为了更准确地刻画边的重要性，研究团队提出了 SeeExplainer。这是一个无参数（Parameter-free）的解释器，其核心创新在于引入了颗粒球图细化机制（Granular-ball graph refinement mechanism）。

1. 颗粒球分解

该方法将原始图分解为若干个不相交的颗粒球（Disjoint Granular-balls）。这些颗粒球的大小不固定，能够灵活适应图的结构特征。

2. 构建结构图

将这些颗粒球视为新的“节点”，并基于它们构建一个结构图（Structural Graph）。这种抽象方式能够更有效地捕捉原始图中边与边之间的协同关系。

3. 协同扰动与解释

在构建的结构图上，算法同时对节点和边进行扰动，根据它们对模型预测的贡献度，生成最终的解释性子图。

实验结果

研究团队在多个不同网络的图分类数据集（Graph Classification Datasets）上进行了实验。结果显示：

性能超越：SeeExplainer 的表现优于当前的最先进基线方法（State-of-the-art baselines）。
忠实度提升：通过考虑协同效应，该方法生成的解释更能忠实于 GNN 的内部决策逻辑。

对从业者的启示

从“独立视角”转向“系统视角”：在解释复杂网络模型时，不能仅孤立地评估单个特征（如单条边）的重要性，必须考虑特征间的交互和协同作用。
无参数方法的价值：SeeExplainer 作为一个无参数解释器，无需额外训练即可使用，这降低了将其集成到现有 GNN 工作流中的成本。
图结构的层次化抽象：通过“颗粒球”将图细化为结构图，是一种有效的降维和特征提取思路，有助于捕捉局部和全局的结构信息。

参考资料

PDF 链接：View PDF
HTML 实验版：HTML (experimental)
DOI：10.48550/arXiv.2607.21381
论文篇幅：11页，含24张图表。

(注：本文内容严格基于 arXiv:2607.21381 公开材料整理)