研究人員Claudio Meggio及其合作者提出了一種名為PathBoost的新型梯度樹提升方法，專門用於圖級別的分類與迴歸任務。與傳統的黑盒模型不同，PathBoost能夠直接從輸入圖結構中學習具有判別能力的路徑特徵，從而顯著提升模型的可解釋性。該方法建立在先前針對特定化學應用的研究基礎上，但引入了三個關鍵擴充套件：首先，透過邏輯損失函式的梯度提升來適應二分類問題；其次，採用基於字首的分解技術，將多種節點和邊屬性整合到路徑特徵空間中；第三，基於類別屬性的多樣性自動選擇錨點節點，無需使用者手動指定路徑起點。
為了評估PathBoost的效能，研究團隊在多個基準資料集上將其與圖神經網路（GNN）和圖核方法進行了對比。實驗結果顯示，PathBoost在半數資料集上取得了更優的結果，在其餘資料集上則實現了相當的效能。特別值得注意的是，PathBoost在平均節點數較大的圖上表現尤為出色，這表明該方法具有良好的可擴充套件性。總體而言，這些結果證明基於路徑的梯度提升方法能夠與更為複雜的黑盒方法相競爭，為可解釋的圖級別預測提供了一條有前景的路徑。