高阶模型赢在高阶原因吗？重新审视超图学习的性能增益

研究提出受控的性能归因框架，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 个常用超图学习基准。结果显示，高阶模型（如超图神经网络）原本优于低阶基线，但在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。更丰富的成对加权、更多成对特征传播步数和归一化等简单改进可缩小剩余差距，作者呼吁区分性能增益与其解释并采用更强的低阶基线。