基于Shapley值的时序图预测解释
机器学习
2026-04-28 v1
摘要
时序图神经网络(TGNNs)近年来因融合空间和时间信息而在预测性能方面表现优异。然而，这些模型如何利用信息进行预测仍鲜有探索，可能导致模型存在故障或偏差。本工作引入两种新型模型无关的解释器，用于TGNNs的局部解释，基于Shapley值和Owen值。第一种方法是事件级(边级)Shapley解释器，应用KernelSHAP算法估计单个时序事件的贡献得分，提供可解释的模型行为描述。第二种方法是特征级Shapley解释器，通过分解事件级Shapley值引入Owen值，揭示事件及其特征之间的层次依赖关系。这些解释器在不同指标和数据集上均优于SOTA解释器。此外，特征解释器揭示了常见TGAT实现中提取实际时间戳的错误，帮助进一步理解稀疏解释中的性能下降。
引用
@article{arxiv.2604.24078,
title = {Explaining Temporal Graph Predictions With Shapley Values},
author = {Lea-Marie Sussek and Stefan Heindorf},
journal= {arXiv preprint arXiv:2604.24078},
year = {2026}
}