ST-TGExplainer：解耦稳定性与转移模式以实现时序图神经网络可解释性
机器学习
2026-05-20 v1 人工智能
摘要
时序图神经网络（TGNN）在解决现实世界的时序图任务方面获得了显著关注。然而，它们的可解释性仍然有限，因为大多数 TGNN 无法识别哪些历史交互对给定预测影响最大。尽管在可解释 TGNN 方面取得了可喜的进展，但现有方法主要关注先前见过的历史交互（我们称之为稳定性模式），而忽略了新出现的首次交互（我们称之为转移模式）。这两种模式对于忠实的时序解释都至关重要。为了解决这一局限性，我们提出了 ST-TGExplainer，这是一种自解释的 TGNN，它解耦时序图中的稳定性与转移模式，以实现更忠实的时序图解释器。在解耦信息瓶颈目标的指导下，ST-TGExplainer 学习一个紧凑的解释性子图，该子图既能预测事件标签，又能显式地抑制稳定性与转移模式之间以标签为条件的冗余。大量实验表明，ST-TGExplainer 实现了强大的预测性能，并产生了更忠实的解释。代码可在 https://github.com/hjchen-hdu/ST-TGExplainer 获取。
引用
@article{arxiv.2605.19822,
title = {ST-TGExplainer: Disentangling Stability and Transition Patterns for Temporal GNN Interpretability},
author = {Hongjiang Chen and Xin Zheng and Pengfei Jiao and Huan Liu and Zhidong Zhao and Huaming Wu and Feng Xia and Shirui Pan},
journal= {arXiv preprint arXiv:2605.19822},
year = {2026}
}