高阶模型是否因高阶理由而胜出？重新思考超图学习中的性能提升

arXiv:2610.07981v1 公告类型：新 摘要：高阶模型（例如超图神经网络）在超图学习基准测试中通常优于低阶基线模型，而其优势通常被归因于利用了高阶信息。然而，仅凭更好的性能并不能证明这一解释。因此，我们提出一个问题：高阶模型是否因高阶理由而胜出？为研究这一问题，我们引入了一个受控的性能归因框架，在保留下阶（即成对）信息的同时，对高阶信息进行扰动。在涵盖三项任务的25个常用超图学习基准测试中，我们经常观察到一个耐人寻味的现象：高阶模型最初优于低阶基线模型，但在扰动后仍保留了大部分优势。这表明，在不使用高阶信息的情况下，仍可以获得其所观察到的大部分优势。随后，我们研究了这些剩余差距可能存在的低阶解释。我们发现，对低阶基线模型进行简单扩展——例如采用更丰富的成对加权、进行更多步的成对特征传播以及使用归一化——能够缩小剩余的性能差距，这支持了对部分已观察优势的低阶解释。我们的分析呼吁超图学习领域重新思考性能归因，将性能提升与其解释区分开来，采用更强的低阶基线模型，并使用能够更有效检验高阶信息价值的合适基准。