超图学习性能增益归因研究

arXiv 2026年10月7日一篇论文（Fanchen Bu 等）提出受控性能归因框架，在保持低阶（成对）信息不变的前提下扰动高阶信息，覆盖三类任务的 25 个常用超图学习 benchmark。结果显示，高阶模型原本优于低阶基线，但扰动后仍保留大部分优势，说明这部分增益无需高阶信息即可获得。 论文还称，为低阶基线增加更丰富的成对权重、更多成对特征传播步数和归一化，可缩小剩余差距。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。