PulseAugur
中
实时 19:32:05
English(EN) ST-TGExplainer: Disentangling Stability and Transition Patterns for Temporal GNN Interpretability

新方法解耦时序图神经网络（TGNN）可解释性中的稳定性和转换模式

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为ST-TGExplainer的新颖方法，旨在提高时序图神经网络（TGNN）的可解释性。现有模型常常难以区分过去交互（稳定性模式）和新出现交互（转换模式）对预测的影响。ST-TGExplainer通过学习一个紧凑的解释子图来解耦这两种模式类型，从而在保证预测准确性的同时减少冗余。实验表明，这种方法能够为TGNN预测提供更忠实的解释。 AI

影响 增强了时序图模型的可解释性，有望提高依赖动态图数据的应用中的信任度和采用率。

排序理由 该集群包含一篇学术论文，详细介绍了一种提高时序图神经网络（TGNN）可解释性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法解耦时序图神经网络（TGNN）可解释性中的稳定性和转换模式

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该集群包含一篇学术论文，详细介绍了一种提高时序图神经网络（TGNN）可解释性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
113 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Shirui Pan ·

    ST-TGExplainer：解耦时序图神经网络可解释性的稳定性和转换模式

    Temporal graph neural networks (TGNNs) have gained significant traction for solving real-world temporal graph tasks. However, their interpretability remains limited, as most TGNNs fail to identify which historical interactions most influence a given prediction. Despite promising …

相关话题