LogicXGNN: Grounded Logical Rules for Explaining Graph Neural Networks¶

会议: ICLR 2026
arXiv: 2503.19476
代码: 无
领域: 图学习
关键词: 图神经网络可解释性, 逻辑规则提取, 决策树, 知识发现, 图生成

一句话总结¶

LogicXGNN 提出了一种从已训练的图神经网络中提取可解释一阶逻辑规则的 post-hoc 框架：通过图结构哈希和隐藏层嵌入模式识别谓词、用决策树确定判别式 DNF 规则结构、并将抽象谓词接地到输入空间，最终生成可替代原始 GNN 的规则化分类器，同时可作为可控的图生成模型。

研究背景与动机¶

图神经网络（GNN）在药物发现、欺诈检测、推荐系统等领域取得了显著成功，但其黑箱特性阻碍了在医疗健康等高可靠性场景中的应用。现有 GNN 可解释性方法存在明显不足：

局部归因方法（如 GNNExplainer、PGExplainer）只能解释单个实例的预测，无法给出模型的全局行为描述
基于概念的全局方法（如 GCNeuron、GLGExplainer）依赖预定义概念，且生成的规则仅描述单个类别的模式而无法有效区分不同类别
GLGExplainer 的表达能力严重不足——例如在 Mutagenicity 数据集上仅使用 2 个谓词，性能接近随机分类器

本文的核心问题：能否从 GNN 中提取既可解释、又有判别力、同时模型无关的逻辑规则？

方法详解¶

整体框架¶

LogicXGNN 把"从已训练 GNN 中读出逻辑规则"这件事拆成三步流水线：先为每个节点识别出一组隐藏谓词 \(P\)，再把谓词激活模式组织成 DNF 形式的规则结构 \(\phi_M\)，最后把抽象谓词接地回输入特征空间，让规则可读、可执行、可生成。整条管线不碰原 GNN 的权重，只在它的隐藏层和图结构上做读取与归纳，最终同时产出两套规则：描述性规则 \(\bar{\phi}_M\) 完整覆盖类内变异、用于图生成，判别性规则 \(\hat{\phi}_M\) 精简到只保留跨类区分所需、用于分类。把这条管线反向跑，同一套规则还能当生成模型用。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    G["已训练 GNN<br/>(隐藏层 + 图结构, 权重冻结)"] --> P["双通道谓词识别<br/>结构哈希 + 语义决策树 → 谓词集 P"]
    P --> R["两层 DNF 规则归纳<br/>描述性规则 φ̄ / 判别性规则 φ̂ + 连通模式 ψ"]
    R --> GR["输入空间接地<br/>谓词 → 可读特征 / motif 级语义"]
    GR -->|判别性规则 φ̂| C["规则化分类器<br/>(可替代原 GNN)"]
    GR -->|描述性规则 φ̄ + ψ 反向采样| GEN["反向当生成模型<br/>(采样子句→拼模板→填特征)"]

关键设计¶

1. 双通道谓词识别：把结构和语义各管一摊

单看 GNN 的隐藏嵌入不够，因为 message passing 的 over-smoothing 会把节点的结构信息糊掉，所以 LogicXGNN 给每个节点 \(v\) 同时抽两种签名。结构通道直接对节点 \(1\) 到 \(L\) 跳邻域构成的感受野子图做图哈希，得到 \(\text{Pattern}_{struct}(v) = \text{Hash}(\text{ReceptiveField}(v, A, L))\)，把"长什么样"显式记下来。语义通道则在最终层图嵌入上训一棵决策树，挑出最有判别力的维度集合 \(K\) 和阈值 \(T\)，再把阈值广播回节点级嵌入，给每个节点每个关键维度打一个二值激活。一个谓词 \(p_j\) 就是这两种模式拼成的元组，对节点 \(v\) 为真当且仅当结构签名和嵌入激活都对上——这样既保住了被平滑掉的拓扑信息，又借决策树自动定位了语义上真正重要的少数维度。

2. 两层 DNF 规则归纳：描述性与判别性分工

谓词就位后，对每个类别 \(c\) 收集所有被正确分类实例的谓词激活，堆成二值矩阵 \(\Phi_c\)；每一行是一条合取子句（节点谓词的 AND），所有行取析取（OR）就构成描述性规则 \(\bar{\phi}_M^c\)，它如实记录了这个类内部出现过的全部模式。但描述性规则往往冗长（BBBP 的某个类有上千条子句），直接拿来分类既臃肿又不区分类别。于是把整张 \(\Phi\) 连同标签 \(Y\) 喂进第二棵决策树，让它只学跨类的判别边界，输出精简的判别性规则 \(\hat{\phi}_M\)。与此同时还顺手统计谓词之间的连通模式 \(\psi_M\)（一个邻接矩阵），记录哪些谓词在图里相邻，这一信息是后面 motif 级接地和图生成的关键。

3. 输入空间接地：让谓词从抽象元组落回可读特征

规则结构再漂亮，谓词本身还是哈希值加激活位，人看不懂，所以最后一步把谓词翻译回输入特征。对每个节点构造逐跳拼接的子图特征 \(Z_{v,L} = \text{CONCAT}\big(X_v, \text{Encode}(\{f(u)\,|\,u \in N^{(1)}(v)\}), \dots, \text{Encode}(\{f(u)\,|\,u \in N^{(L)}(v)\})\big)\)，把节点自身特征和各跳邻居编码串起来。对那些结构同构、却被分进不同嵌入模式的谓词对，再训一棵决策树学一条基于这些输入特征的区分规则；对找不到同构对应的谓词，则直接取方差最小的特征维度当代表性描述。更进一步，结合连通模式 \(\psi_M\) 可以把节点级规则升级成 motif 级语义——例如从"两个节点度都为 2 且相邻"推导出"存在环"这种子图级概念，这正是 LogicXGNN 能发现"芳环+硝基协同致突变"而非把两者割裂看待的原因。

4. 同一套规则反向当生成模型用

因为描述性规则 \(\bar{\phi}_M\)、连通模式 \(\psi_M\) 和接地规则 \(R\) 合起来已经完整刻画了"一个合法的类长什么样"，把流程反过来跑就能生成新图：从 \(\bar{\phi}_M\) 采样一条合取子句确定要哪些谓词，用 \(\psi_M\) 把谓词按相邻关系拼成图模板，再用接地规则 \(R\) 给每个谓词位填上具体节点特征。整个过程透明可控、每一步都对应一条规则，因此生成的图会乖乖落在学到的分布里，而不像基于 RL 的 XGNN 那样跑出二部图这种不符合真实分子分布的结构。

损失函数 / 训练策略¶

LogicXGNN 是纯 post-hoc 方法，不改原始 GNN 的训练，全部计算开销来自三处决策树训练（提取嵌入关键维度、归纳判别规则、接地到输入），量级与训练普通决策树相当。实验设置上 GNN 用 2 层、隐藏维度 32，数据集按 8:2 划分训练/测试，所有决策树用 CART 算法训练，硬件为 Ubuntu 22.04、32GB RAM、2.7GHz 处理器。

实验关键数据¶

主实验¶

| 数据集 | |P| | \(|\hat{\phi}_M^0|\) | \(|\hat{\phi}_M^1|\) | \(\phi_M\) 训练准确率 | \(\phi_M\) 测试准确率 | GNN 测试准确率 | GLGExplainer 测试准确率 | |--------|-----|-----|-----|-------|-------|-------|-------| | HIN | 2293 | 146 | 62 | 89.12 | 85.23 | 86.93 | 49.99 | | BBBP | 254 | 20 | 22 | 81.18 | 81.37 | 81.13 | 42.90 | | Mutagenicity | 314 | 198 | 167 | 78.12 | 76.50 | 76.04 | 54.26 |

消融实验¶

配置	关键特征	说明
描述性规则 \(\bar{\phi}_M\)	BBBP: 146+1044 clauses	完整覆盖类内变异，可用于生成
判别性规则 \(\hat{\phi}_M\)	BBBP: 20+22 clauses	精简但准确率可比甚至超越 GNN
GLGExplainer	2 个谓词	过度简化，效果近似随机
GCNeuron	依赖输入类别	无判别力，不同类别给出完全不同解释

关键发现¶

规则化模型可超越神经网络：在 BBBP 上 \(\hat{\phi}_M\) 测试准确率 81.37% 超过原始 GNN 的 81.13%，在 Mutagenicity 上也表现相当
化学知识发现准确：
- BBBP 数据集：发现含氧丰富基团的分子不易穿越血脑屏障（增加亲水性、降低亲脂性）
- MUTAG 数据集：发现甲基（-CH3）与非致突变相关、芳环+硝基的组合对致突变关键——后者与原始论文 (Debnath et al., 1991) 的发现一致
- 现有方法如 GCNeuron 和 GLGExplainer 将硝基和碳环视为独立实体，忽略了它们之间的协同效应
可控图生成优于 XGNN：XGNN（基于 RL 的生成方法）产生的图结构不符合真实分子分布（如生成二部图），而 LogicXGNN 遵循学到的规则，可重建原始分子并生成保持关键属性的新实例

亮点与洞察¶

首个作为 GNN 功能等价物的可解释规则化模型——不只是解释，还能替代原始模型
三阶段设计非常模块化："发现谓词 → 组织规则 → 接地到输入"各自解耦
巧妙利用 decision tree 三次：(1) 提取嵌入关键维度，(2) 生成判别规则，(3) 接地到输入空间
motif 级规则接地是亮点：通过连通模式将节点级规则升级为子图级语义理解
作为生成模型的应用很有想象空间，特别是在药物设计中的组合生成

局限与展望¶

实验规模较小（三个数据集），缺乏大规模图数据集的验证
图哈希在大图上可能产生大量唯一结构模式，谓词集合可能爆炸
描述性规则数量可能非常多（如 BBBP 的 class 1 有 1044 条子句），人类可读性受限
目前仅支持分类任务，未扩展到回归（如分子属性预测、3D 结构预测）
缺乏对方法可扩展性（节点数、类别数、层数增加时的行为）的分析
未与 GNNExplainer 等局部方法在解释质量上进行系统对比

评分¶

新颖性: ⭐⭐⭐⭐
实验充分度: ⭐⭐⭐
写作质量: ⭐⭐⭐⭐
价值: ⭐⭐⭐⭐