研究人员Claudio Meggio及其合作者提出了一种名为PathBoost的新型梯度树提升方法，专门用于图级别的分类与回归任务。与传统的黑盒模型不同，PathBoost能够直接从输入图结构中学习具有判别能力的路径特征，从而显著提升模型的可解释性。该方法建立在先前针对特定化学应用的研究基础上，但引入了三个关键扩展：首先，通过逻辑损失函数的梯度提升来适应二分类问题；其次，采用基于前缀的分解技术，将多种节点和边属性整合到路径特征空间中；第三，基于类别属性的多样性自动选择锚点节点，无需用户手动指定路径起点。
为了评估PathBoost的性能，研究团队在多个基准数据集上将其与图神经网络（GNN）和图核方法进行了对比。实验结果显示，PathBoost在半数数据集上取得了更优的结果，在其余数据集上则实现了相当的性能。特别值得注意的是，PathBoost在平均节点数较大的图上表现尤为出色，这表明该方法具有良好的可扩展性。总体而言，这些结果证明基于路径的梯度提升方法能够与更为复杂的黑盒方法相竞争，为可解释的图级别预测提供了一条有前景的路径。