Riassunto Tecnico: Operational Feature Fingerprints of Graph Datasets via a White-Box Signal-Subspace Probe

1. Il Problema: L'Opacità dei Graph Neural Networks (GNN)

Nonostante l'elevata accuratezza dei modelli di Graph Neural Networks (GNN), la loro natura di "black-box" rappresenta un limite critico. Il processo di message passing appreso dalle reti neurali mescola in un'unica rappresentazione latente e opaca diversi meccanismi fondamentali:

• Attributi dell'ego-nodo (caratteristiche intrinseche del nodo).
• Smoothing low-pass (omofilia: i vicini condividono la stessa etichetta).
• Differenze high-pass (eterofilia: i vicini hanno etichette diverse).
• Geometria delle classi e effetti di confine del classificatore.

Questa opacità impedisce di capire perché un nodo venga classificato in un certo modo e, soprattutto, quali meccanismi di apprendimento siano effettivamente richiesti da un determinato dataset. In contesti di grafi eterofili, l'uso ingenuo dello smoothing può addirittura degradare le prestazioni.

2. Metodologia: Il framework WG-SRC

Gli autori propongono WG-SRC (White-Box Signal-Subspace Ridge Classifier), un modello che non punta esclusivamente alla massimizzazione dell'accuratezza, ma è progettato come uno strumento di diagnostica e misurazione. A differenza dei GNN tradizionali, WG-SRC sostituisce i layer neurali appresi con componenti matematici espliciti e interpretabili:

A. Costruzione del Dizionario di Segnali (Signal Dictionary)

Invece di apprendere rappresentazioni nascoste, il modello costruisce un dizionario di segnali di grafo predefiniti e nominati, che include:

• Segnali Raw: Le caratteristiche originali dei nodi.
• Segnali Low-pass: Propagazione tramite matrici di transizione normalizzate (row-normalized e symmetric-normalized) a diversi ordini di salto ($P, P^2, P^3$).
• Segnali High-pass: Differenze tra il nodo e il suo vicinato ($X - P X$, ecc.), fondamentali per catturare l'eterofilia.

B. Selezione e Sottospazi (Subspace Learning)

1. Fisher Coordinate Selection: Viene utilizzata la statistica di Fisher per selezionare solo le coordinate del dizionario che massimizzano la separazione tra le classi.
2. Class-wise PCA Subspaces: Per ogni classe, viene calcolato un sottospazio tramite PCA (Analisi delle Componenti Principali). Questo cattura la "geometria" della classe nello spazio dei segnali.
3. Multi-$\alpha$ Ridge Regression: Viene applicata una regressione Ridge in forma chiusa per modellare i confini decisionali tra le classi.

C. Fusione dei Punteggi (Score Fusion)

Il modello combina i residui della PCA (che misurano quanto un nodo aderisce alla geometria della classe) e i punteggi della regressione Ridge (che misurano la posizione rispetto ai confini decisionali) attraverso un meccanismo di fusione validato.

3. Contributi Chiave

Il paper introduce tre concetti innovativi:

1. Il Modello Duale: WG-SRC funge contemporaneamente da predittore (classifica i nodi) e da sonda diagnostica (misura i meccanismi del dataset).
2. L'Atlante dei Meccanismi (Mechanism Atlas): Un sistema che decompone il comportamento del modello a livello di singolo nodo, rivelando su quali segnali (raw, low-pass, high-pass) il modello sta facendo affidamento.
3. Impronte Digitali Operative (Operational Feature Fingerprints): Aggregando l'atlante, è possibile caratterizzare un intero dataset tramite parametri misurabili (es. composizione del segnale, complessità geometrica delle classi, sensibilità ai confini).

4. Risultati Sperimentali

Il modello è stato testato su sei dataset standard (Amazon-Computers, Amazon-Photo, Chameleon, Cornell, Texas, Wisconsin).

• Validità Predittiva: WG-SRC è competitivo e spesso superiore ai baseline più forti (come GraphSAGE e LINKX), con un guadagno medio di +1.52 punti percentuali di accuratezza.
• Validità Diagnostica: Le "impronte digitali" estratte sono coerenti con le modifiche strutturali apportate al modello. Ad esempio:
  • Nei grafi Amazon (omofili), l'atlante identifica una dominanza di segnali low-pass e suggerisce che rimuovere i componenti high-pass migliora le prestazioni.
  • Nel dataset Chameleon (eterofilo), l'atlante rivela un'alta complessità geometrica e una forte necessità di segnali high-pass.
  • Nei grafi WebKB, l'atlante evidenzia l'importanza dei segnali raw e dei confini decisionali (Ridge).

5. Significato e Implicazioni

La portata scientifica del lavoro risiede nel passaggio dalla "spiegazione post-hoc" (spesso inaffidabile) alla diagnostica intrinseca.

WG-SRC non cerca di automatizzare la progettazione di nuovi algoritmi (non è un "ottimizzatore di architetture"), ma fornisce una guida diagnostica post-valutazione. Permette ai ricercatori di capire se un modello fallisce perché il dataset richiede più attenzione ai segnali ad alta frequenza, se le caratteristiche originali sono state perse durante la propagazione, o se la struttura delle classi è troppo complessa per un semplice classificatore lineare. In sintesi, trasforma l'analisi dei grafi da un processo di tentativi ed errori a un processo guidato da evidenze meccanicistiche misurabili.