基于图信息瓶颈的可自解释时序图网络
机器学习
2024-06-21 v1
摘要
时序图神经网络(TGNN)能够同时捕捉图拓扑结构和图内交互随时间变化的动态依赖关系。由于难以识别过去事件如何影响其预测，对TGNN模型预测进行解释的需求日益增长。由于静态图的解释模型无法捕捉时序依赖关系，因此不能直接应用于时序图，近期研究提出了针对时序图的解释模型。然而，现有的时序图解释模型依赖于事后解释，需要为预测和解释分别建立模型，这在解释效率和准确性两方面存在局限。在这项工作中，我们提出了一种新颖的时序图内置解释框架，称为基于图信息瓶颈的可自解释时序图网络(TGIB)。TGIB基于信息瓶颈理论，通过在每个时序事件中引入随机性来为事件发生提供解释。实验结果表明，与最先进的方法相比，TGIB在链接预测性能和可解释性方面均具有优越性。这是首个以端到端方式同时进行时序图预测和解释的工作。
引用
@article{arxiv.2406.13214,
title = {Self-Explainable Temporal Graph Networks based on Graph Information Bottleneck},
author = {Sangwoo Seo and Sungwon Kim and Jihyeong Jung and Yoonho Lee and Chanyoung Park},
journal= {arXiv preprint arXiv:2406.13214},
year = {2024}
}
备注
KDD 2024