GINTRIP：基于信息瓶颈和原型方法的可解释时序图回归
机器学习
2025-12-30 v2
摘要
深度神经网络（DNNs）在各个领域展现出卓越的性能，但其内在的复杂性使得它们难以解释。这一点尤其适用于时序图回归任务，因为图中存在复杂的时空模式。虽然图神经网络（GNNs）的可解释性问题类似于 DNNs，但据我们所知，尚无显著工作针对时序 GNNs 的可解释性进行研究。诸如原型等创新方法旨在使 DNN 模型更具可解释性。然而，尚未开发基于原型方法和信息瓶颈（IB）原则的组合方法用于时序 GNNs。我们的研究引入了一种新颖的方法，独特地将这些技术集成以增强时序图回归模型的可解释性。我们工作的三个关键贡献是：我们提出了基于信息瓶颈和原型（GINTRIP）框架的图时序回归可解释性任务，首次将 IB 和原型方法应用于可解释时序图任务。我们推导了一个关于互信息（MI）的新型理论上界，扩展了 IB 原则适用于图回归任务的适用性。我们纳入一个无监督辅助分类头，通过多任务学习促进概念表示的多样化，从而增强模型的可解释性。我们在真实世界数据集（如交通和犯罪数据）上对模型进行评估，在预测准确性和可解释性相关指标（如 MAE、RMSE、MAPE 和忠诚度）方面均优于现有方法。
引用
@article{arxiv.2409.10996,
title = {GINTRIP: Interpretable Temporal Graph Regression using Information bottleneck and Prototype-based method},
author = {Ali Royat and Seyed Mohamad Moghadas and Lesley De Cruz and Adrian Munteanu},
journal= {arXiv preprint arXiv:2409.10996},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication