该研究探讨了图神经网络（GNN）在信息传播中的瓶颈问题，提出了图信息瓶颈（GIB）框架和VIB-GSL等新方法，以优化图结构学习并提高模型鲁棒性。实验结果表明，这些方法在节点分类和链接预测中显著提升了性能和训练效率。

本文提出了一种新型图信息瓶颈框架，通过邻域瓶颈减轻结构噪声，保护成员隐私。实验结果表明，该方法在真实数据集上具有强大的预测能力和良好的优化效果，同时去除了图数据中的噪音和冗余，提升了深度神经网络的性能和鲁棒性。

本文综述图神经网络可解释性研究，涵盖原型学习、信息瓶颈、反事实解释和神经元概念探测等方法。核心是结合图信息瓶颈与原型、子图或因果建模，生成关键子图与可靠解释，兼顾预测性能、鲁棒性和泛化能力，并验证其优于现有方法。