ST-TGExplainer

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

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。