通过神经加性模型实现可解释超图学习

基于摘要分析。本文研究超图学习中节点属性与高阶结构贡献难以辨析的问题，提出 hypergraph neural additive network（HGNAN），将神经加性模型扩展到高阶关系数据，以支持节点级和超边级任务的内在可解释预测。 核心机制是将特征级非线性分解与超图感知的结构聚合相结合。相较于摘要所述的黑箱消息传递架构，其方法定位是通过模型自身的分解结构提供解释，而非仅依赖预测后的解释工具。不过，特征项与结构项如何耦合、解释量如何定义，以及训练损失、聚合算子和推理流程，摘要均未提供足够细节，尚未验证。 作者报告，在基准数据集上的实验中，HGNAN 的预测性能与先进超图学习方法相当，并提供有意义的内在可解释性。摘要未列出数据集名称、任务划分、对照方法、具体指标或数值，因此不能进一步判断性能差异及解释质量。实验协议、消融及统计信息尚未验证；复现还需核对超图构建方式、特征预处理、解释评估标准及实现可得性。 平台推测（待验证）：若 EEG 任务能够将通道或脑区表示为节点、将多通道关系表示为超边，并提供节点特征及相应监督信号，这类分解机制可能用于分析属性与高阶关系对预测的贡献。可考虑复用特征级分解与结构聚合思路，但需改造时序特征编码和超图构建方式。低信噪比、跨被试差异、通道配置变化及小样本可能使超边结构不稳定，也可能削弱解释的可重复性。一个可检验的小实验是在固定 EEG 数据划分和特征条件下，对照 HGNAN、非结构加性模型与黑箱超图模型，分别检验预测指标及通道扰动下的解释稳定性；这不代表已有 EEG 效果，相关工作尚未检索确认。