李管春1. 项目概述：语言锚定的自解释图神经网络
这个ICLR 2026投稿项目提出了一个革命性的框架，将自然语言理解与图神经网络(GNN)的可解释性研究深度融合。传统GNN常被视为"黑箱"，而这个工作通过引入语言基础的概念学习，使模型能够用人类可理解的自然语言解释其推理过程。我在实际研究中使用类似方法时发现，这种语言锚定的解释方式比传统注意力可视化或子图提取的解释方法更容易被领域专家接受。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心技术创新解析
2.1 语言基础的概念表征
项目最关键的突破在于建立了从图结构到语义概念的映射机制。具体实现上，模型会：
- 通过多模态对比学习对齐图节点与文本描述
- 构建可解释的概念词典（如"社交影响力"、"分子活性"等）
- 在推理时自动选择相关概念生成解释
注意：概念词典的质量直接影响解释效果，建议使用领域特定的语料进行预训练
2.2 自解释机制设计
模型包含三个核心组件：
- 标准GNN编码器（如GAT或GraphSAGE）
- 概念发现模块（基于聚类和语言对齐）
- 解释生成器（条件语言模型）
在分子属性预测任务中，模型不仅能预测溶解度，还能生成如"该分子包含极性羧基（概念1）和疏水苯环（概念2），导致中等溶解度"的解释。
3. 实现细节与优化技巧
3.1 多阶段训练策略
我们团队复现时采用的训练流程：
python复制# 阶段1：基础GNN预训练
gnn.train(graph_data, labels)
# 阶段2：概念对齐训练
concept_aligner.train(graph_text_pairs)
# 阶段3：联合微调
model.end_to_end_train()
3.2 关键超参数设置
| 参数 | 推荐值 | 作用 |
|---|---|---|
| 概念数量 | 50-200 | 平衡覆盖率和特异性 |
| 温度系数τ | 0.05-0.1 | 控制概念分布平滑度 |
| 解释长度 | 3-5句 | 保证简洁性和完整性 |
4. 应用场景与性能表现
4.1 生物医学领域案例
在蛋白质相互作用预测中，模型生成的解释能准确指出：
- 关键氨基酸残基（结构概念）
- 结合自由能贡献（物化概念）