GRExplainer：一种面向时序图神经网络的通用解释方法
机器学习
2025-12-30 v1 人工智能
摘要
动态图被广泛用于表示不断演化的现实世界网络。时序图神经网络 (TGNNs) 已成为处理此类图的强大工具，但缺乏透明度和可解释性限制了其实际应用。关于 TGNN 可解释性的研究仍处于早期阶段，并面临几个关键问题：(i) 当前方法针对特定 TGNN 类型定制，限制了通用性。(ii) 它们计算成本高昂，不适用于大规模网络。(iii) 它们通常忽略解释的结构连通性且需要先验知识，降低了用户友好度。为了解决这些问题，我们提出了 GRExplainer，这是首个面向 TGNN 的通用、高效且用户友好的解释方法。GRExplainer 提取节点序列作为统一特征表示，使其独立于特定输入格式，从而适用于基于快照和基于事件的 TGNN（TGNN 的主要类型）。通过利用广度优先搜索和时序信息构建输入节点序列，GRExplainer 减少了冗余计算并提高了效率。为了增强用户友好度，我们设计了一个基于循环神经网络 (RNNs) 的生成模型，实现自动化且连续的解释生成。在六个真实世界数据集和三个目标 TGNN 上的实验表明，GRExplainer 在通用性、效率和用户友好度方面均优于现有基线方法。
引用
@article{arxiv.2512.22772,
title = {GRExplainer: A Universal Explanation Method for Temporal Graph Neural Networks},
author = {Xuyan Li and Jie Wang and Zheng Yan},
journal= {arXiv preprint arXiv:2512.22772},
year = {2025}
}