TempME：基于模体发现的时间图神经网络可解释性方法
机器学习
2023-10-31 v1 人工智能
摘要
时间图被广泛用于建模具有时变交互的动态系统。在真实场景中，动态系统生成未来交互的底层机制通常由图中一组反复出现的子结构（称为时间模体）所支配。尽管当前时间图神经网络（TGNN）已取得广泛成功与应用，但仍不确定哪些时间模体被识别为触发模型特定预测的重要指示，这是推进当前TGNN可解释性与可信性的关键挑战。为应对该挑战，我们提出一种称为时间模体解释器（TempME）的新方法，其揭示引导TGNN预测的最关键时间模体。基于信息瓶颈原理，TempME提取与交互最相关的模体，同时最小化所含信息量以保持解释的稀疏性与简洁性。经验证，TempME生成解释中的事件比现有方法具有更强的时空相关性，提供了更易理解的洞见。大量实验验证了TempME的优越性，在六个真实数据集上解释精度提升高达8.21%，并将当前TGNN的预测平均精度提升高达22.96%。
引用
@article{arxiv.2310.19324,
title = {TempME: Towards the Explainability of Temporal Graph Neural Networks via Motif Discovery},
author = {Jialin Chen and Rex Ying},
journal= {arXiv preprint arXiv:2310.19324},
year = {2023}
}
备注
Accepted at NeurIPS 2023, Camera Ready Version