利用库普曼理论解释时空图神经网络
机器学习
2026-04-08 v2
摘要
时空图神经网络在从预测到流行病学的许多领域都显示出有前景的结果。然而，理解这些模型学到的动力学并解释其行为，比处理静态数据的模型要困难得多。受库普曼理论的启发，该理论允许对复杂的非线性动力系统进行简单描述，我们为时序图引入了新的可解释性方法。具体来说，我们提出了两种方法来解释时空图神经网络的决策过程，并识别输入中与当前任务最相关的空间和时间模式。第一种方法依赖于动态模态分解，这是一种受库普曼启发的降维方法。第二种方法依赖于非线性动力学的稀疏辨识，这是一种发现动力系统控制方程的流行方法，我们首次将其用作可解释性的通用工具。在半合成传播数据集上，我们的方法正确识别了可解释的特征，例如感染发生的时间和受感染的节点。我们还在真实世界的人体运动数据集上对方法进行了定性验证，其中解释突出了与动作识别最相关的身体部位。
引用
@article{arxiv.2410.13469,
title = {Interpreting Temporal Graph Neural Networks with Koopman Theory},
author = {Michele Guerra and Simone Scardapane and Filippo Maria Bianchi},
journal= {arXiv preprint arXiv:2410.13469},
year = {2026}
}