通过内存回溯和拓扑归因实现时态图网络的可解释性

arXiv:2607.07716v1 公告类型：新 摘要：时态图在现实世界的应用中无处不在，时态图网络（TGN）已经实现了卓越的预测准确性。了解哪些历史事件驱动模型预测可以增强 TGN 的可信度。现有的解释方法忽略了记忆模块，即记录和更新节点历史的核心组件，而没有探索过去事件的影响。为了解决这个问题，我们通过拓扑归因树和内存回溯树对 TGN 预测进行归因。拓扑归因树捕获邻居及其记忆向量的影响，然后记忆回溯树量化历史事件如何塑造节点记忆向量。我们在 TGN 中应用 LRP，确保事件的总贡献等于模型的 logits。最后，由于从逻辑到概率的非线性映射，top-k 选择可能是不忠实的，我们设计优化目标来识别重要事件。对九个时间图数据集、跨节点属性预测、链接预测任务和图分类任务的实验表明，我们的方法提供了忠实的解释，并且优于最先进的基线。代码可在https://github.com/yazhengliu/MemExplainer获取