GNN解释评估的关键盲区：删除一条边到底意味着什么？

图神经网络（GNN）的可解释性研究长期依赖一种看似直观的评估手段：删除解释方法排名靠前的边，观察模型输出变化有多大，变化越大说明解释越忠实。但一篇新论文指出，这个流程里藏着被忽视的语义分歧——在消息传递框架下，「删除一条边」并不对应唯一的干预操作，而删除保真度的高低会随干预方式改变。

两种「删除」：结构删除与消息抑制

论文首先厘清了一个被默认掩盖的区分。结构删除（structural deletion）把边从图结构中真正移除，并重新计算度归一化、注意力系数等依赖图结构的量；消息抑制（message suppression）则保留完整的结构上下文，只是阻断该边传递的消息。

这两种操作在直觉上都被称作「删边」，但它们干预的对象不同：一个改变的是模型计算的输入图，另一个改变的是计算过程中的信息流。删除保真度的含义因此取决于干预针对的是计算中的哪一部分——评估协议若不说明这一点，得到的结论就是模糊的。

消息传递框架是大多数GNN的基础计算范式：每个节点通过聚合邻居节点传来的消息（通常经过边权重或注意力系数缩放）来更新自身表示，经多层迭代后得到最终嵌入。边系数（如GCN中度归一化的系数、GAT中的注意力权重）决定了每条消息的贡献大小。这一框架的关键在于，消息的传递与图结构紧密耦合——系数往往由结构导出，因此任何对结构的干预都可能连带改变消息的聚合方式。理解这一点，才能看清结构删除与消息抑制为何会在某些架构下产生分歧。

何时两种干预等价？理论给出的充分条件

论文形式化了这一区分，并推导出两种干预精确等价的充分条件。结论是：对于加性消息传递且边系数与边集无关的情形，结构删除与消息抑制的结果一致。

分歧出现在两类场景：聚合过程对零消息的存在敏感（例如使用最大值聚合或对空邻居做特殊处理），或者删除一条边会改变施加在幸存消息上的系数（如注意力权重重新分配）。在这些情况下，两种干预会给出不同的模型输出变化，进而改变对同一份边排序的保真度评价。

这一分析的价值在于，它把「删边评估是否可靠」从经验争论转化成了可判定的条件问题：给定模型架构和聚合方式，就能判断评估结论是否对干预语义敏感。

加性消息传递指节点更新时对邻居消息进行求和（或加权求和）聚合，而不是取最大值、最小值或做其他非线性池化。在加性聚合下，阻断一条边的消息等价于将其权重置零，而结构删除若仅移除该边、不改变其他边的系数，则二者结果相同。边系数与边集无关则要求每条边的权重不随其他边的存在与否而变化——例如GCN中度归一化系数依赖于节点度，删除边会改变度，从而影响幸存边的系数，因此GCN不满足该条件；而某些使用固定权重的模型则可能满足。这两个条件共同界定了等价性的适用范围。

实验：九个数据集上的系统性检验

作者构造了针对特定干预的边归因方法，并让每一份排序分别在两种干预下接受评估，检验其相对保真度是否随评估干预而改变。实验覆盖九个数据集，模型面板包括 GIN、GCN 和 GATv2，深度范围为 2 至 5 层。

结果呈现清晰的分层：所有九个 GIN 对照组都满足理论预测的等价性，验证了充分条件的正确性。而在目标 logit 上，11 个可报告的 GCN 与 GATv2 单元中有 10 个出现相对保真度依赖评估干预的现象；其中 9 个单元里，每份排序在「它自己构建时所针对的干预」下取得更大的删除面积。

换言之，用消息抑制构建的排序在消息抑制下评估更优，用结构删除构建的排序在结构删除下评估更优——排序的「好坏」并非固有属性，而是与评估干预绑定。

删除面积（deletion AUC）是删除保真度的一种量化方式：将边按解释方法给出的重要性排序，依次删除排名靠前的边，记录模型输出（如目标类别的logit）随删除比例下降的曲线下面积。面积越大，说明被删除的边确实对模型输出至关重要，解释越忠实。论文中比较的是「相对保真度」——同一份排序在不同干预下删除面积的相对大小，而非绝对数值。这使得结论不依赖于具体的数据集或模型规模，而是聚焦于干预语义本身对评估结论的影响。

对评估协议的启示

论文的结论直接指向实践层面：删除保真度不是边排序单独的性质。评估协议应当明确报告四个要素——干预方式、输出泛函、目标量以及扰动单元；当科学问题本身不能唯一确定干预语义时，还应测试替代干预下的结果是否稳健。

对 GNN 解释方法的研究者而言，这意味着横向比较不同方法时，若各自采用不同的删边语义，比较可能并不在同一基准上进行。对下游使用者而言，部署解释工具前先确认其评估所用的干预与自身关注的计算路径是否一致，是避免误读的必要一步。

这项工作的意义不在于否定删除保真度，而在于把它从一个笼统的指标拆解为需要显式声明的实验设计选择。可解释性评估的严谨性，往往就藏在这些被默认掉的细节里。

输出泛函指评估时观测的模型输出量，例如目标类别的logit、预测概率、或整个输出向量；目标量则指被解释的对象，可能是单个节点的预测、整张图的类别、或某条边的存在性。扰动单元是干预操作的最小单位，可以是边、节点特征或子图。这四个要素共同决定了删除保真度的具体含义：改变其中任何一个，都可能得到不同的保真度数值。论文强调显式报告这些要素，正是为了让不同研究之间的比较建立在同一基准上，避免因默认假设不同而产生的虚假优劣判断。