图神经网络（GNNs）已广泛应用于生物化学分子分类、社交网络分析、电路设计预测等多个领域，凭借其强大的特征学习能力在图数据分类任务中展现出显著优势。但长期以来，GNN 模型存在“黑箱”问题—难以建立输出结果与输入图中特定特征、结构模式的直接关联，缺乏可解释的预测依据，这一核心挑战严重限制了其在药物研发、医疗诊断等关键场景的可靠应用。现有方法或缺乏直接可解释的结构载体，或难以同时兼顾全局拓扑信息与局部结构细节，无法满足实际应用对模型透明度的需求。
针对这一问题，徐立祥教授团队提出基于图元的双核可解释图神经网络框架（GL-BKGNN）。该方法创新性地借鉴卷积神经网络（CNN）的图像滤波器思想，将图元作为图滤波器，通过独特的双核模块实现结构特征的深度融合：一方面利用可微的随机游走核进行端到端训练，生成梯度信息用于模型优化，高效捕捉图的全局结构特征；另一方面借助非可微但稳定性更强的 Weisfeiler-Lehman核，精准捕捉局部关键子图，补充局部结构细节。同时，模型结合交叉熵损失与 Jensen-Shannon 散度损失进行联合训练，在提升分类性能的同时，通过图元拓扑可视化技术，清晰呈现影响预测结果的关键子结构，为模型决策提供直观、可理解的解释。
图1 GL-BKGNN框架的示意图
《Information Fusion》是计算机科学和人工智能领域的国际权威刊物、中科院一区TOP期刊，2025年最新影响因子14.8。该期刊是信息融合领域最具影响力的学术期刊之一，在人工智能、数据融合、信息安全等领域具有极高的学术影响力。
该成果由我院为第一成果单位，成果链接：https://www.sciencedirect.com/science/article/abs/pii/S1566253525003574?via%3Dihub
