双时空归因：循环图异常检测的架构对齐事后可解释性

arXiv:2608.12441v1 公告类型：新 摘要：动态图中异常的深度学习检测器已经达到了很高的准确性，但它们仍然不透明：当边缘被标记时，分析师会收到分数但没有原因。在部署此类检测器的合作、受监管的信息系统中，这种不透明性是站不住脚的，其中自动化决策必须是可审计且值得信赖的。我们通过 AddGraph 解决了这一差距，AddGraph 是用于动态图中边缘级异常检测的基础 GCN+GRU 框架，据我们所知，该框架从未具备任何形式的可解释性。我们提出了一个严格的事后可解释性框架 X-AddGraph，它建立在双重时空归因 (DSTA) 机制的基础上，其三个组件均与 AddGraph 的架构模块之一对齐：当前邻接结构（空间）上基于梯度的相关性归因、对推理期间已计算的上下文注意权重的直接读取（短期时间，零额外成本）以及通过循环隐藏状态的梯度回滚（长期时间）。由于检测器被冻结，检测性能得以准确保留（Delta AUC = 0，根据经验验证到小数点后十位）。在 UCI Message 基准上，我们训练的 AddGraph 基线达到平均每个快照 AUC 为 0.8705，超过了最初发布的结果； X-AddGraph 以相同的方式再现每个乐谱，同时在不存在的地方添加解释。通过对四个边缘群体（置信度真阳性、低置信度真阳性、假阳性和随机样本）进行评估，长期归因识别出历史快照比随机选择携带更多的反事实信号（0.127 与 0.074），这是空间盲解释器无法提供的能力。我们发布了我们的实现以实现完全可重复性。