論文の概要: ST-TGExplainer: Disentangling Stability and Transition Patterns for Temporal GNN Interpretability

• arxiv url: http://arxiv.org/abs/2605.19822v1
• Date: Tue, 19 May 2026 13:16:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.363217
• Title: ST-TGExplainer: Disentangling Stability and Transition Patterns for Temporal GNN Interpretability
• Title（参考訳）: ST-TGExplainer: 時間的GNN解釈可能性のための解離安定性と遷移パターン
• Authors: Hongjiang Chen, Xin Zheng, Pengfei Jiao, Huan Liu, Zhidong Zhao, Huaming Wu, Feng Xia, Shirui Pan,
• Abstract要約: 時間グラフニューラルネットワーク(TGNN)は,実世界の時間グラフタスクを解く上で大きな注目を集めている。 TGNNは、どの歴史的相互作用が与えられた予測に最も影響するかを特定することができない。 時間グラフの安定性と遷移パターンを乱す自己説明可能なTGNNであるST-TGExplainerを提案する。
• 参考スコア（独自算出の注目度）: 61.52935734819602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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 progress on interpretable TGNNs, existing methods predominantly focus on previously seen historical interactions, which we term stability patterns, while overlooking newly emerging first-time interactions, which we term transition patterns. Both types of patterns are essential for faithful temporal explanations. To address this limitation, we propose ST-TGExplainer, a self-explainable TGNN that disentangles Stability and Transition patterns in temporal graphs for a more faithful Temporal GNN Explainer. Guided by a disentangled information bottleneck objective, ST-TGExplainer learns a compact explanatory subgraph that remains predictive of the event label while explicitly suppressing label-conditioned redundancy between stability and transition patterns. Extensive experiments demonstrate that ST-TGExplainer achieves strong predictive performance and yields more faithful explanations. Code is available at https://github.com/hjchen-hdu/ST-TGExplainer.
• Abstract（参考訳）: 時間グラフニューラルネットワーク(TGNN)は,実世界の時間グラフタスクを解く上で大きな注目を集めている。 しかしながら、ほとんどのTGNNは、どの歴史的相互作用が与えられた予測に最も影響するかを特定できないため、その解釈可能性はまだ限られている。 解釈可能なTGNNの進歩は期待できるが、既存の手法は主に、これまで見られた歴史的相互作用に焦点を当てている。 どちらのパターンも忠実な時間的説明には不可欠である。 この制限に対処するために、より忠実な時間GNN Explainerのために、時間グラフの安定性と遷移パターンを乱す自己説明可能なTGNNであるST-TGExplainerを提案する。 ST-TGExplainerは、絡み合った情報ボトルネックの目標によって導かれ、安定性と遷移パターンの間のラベル条件の冗長性を明示的に抑制しつつ、イベントラベルの予測を継続するコンパクトな説明サブグラフを学習する。 大規模な実験により、ST-TGExplainerは強い予測性能を達成し、より忠実な説明を得ることが示された。 コードはhttps://github.com/hjchen-hdu/ST-TGExplainer.comで入手できる。

関連論文リスト

• Inductive Reasoning for Temporal Knowledge Graphs with Emerging Entities [54.48612448535698]
  時間的知識グラフ(TKG)の推論は、将来の事象や時間的な事実を予測する上で不可欠である。 本稿では,意味論的に類似したエンティティから過去のインタラクションシーケンスを活用し,帰納的推論を支援する新しいフレームワークであるTransFIRを提案する。
  論文  参考訳（メタデータ） (2026-04-11T11:23:05Z)
• Self-Explainable Temporal Graph Networks based on Graph Information Bottleneck [21.591458816091126]
  テンポラルグラフネットワーク(TGNN)は、時間とともにグラフ内の相互作用のトポロジと動的依存関係をキャプチャする能力を持つ。 過去の出来事が予測にどのように影響するかを特定するのが困難であるため、TGNNモデルの予測を説明する必要性が高まっている。 これは、時間グラフの予測と説明をエンドツーエンドで同時に行う最初の作品である。
  論文  参考訳（メタデータ） (2024-06-19T04:55:34Z)
• TempME: Towards the Explainability of Temporal Graph Neural Networks via Motif Discovery [15.573944320072284]
  本稿では、時間グラフニューラルネットワーク(TGNN)の予測を導く最も重要な時間的モチーフを明らかにするTempMEを提案する。 TempMEは、最も相互作用に関連するモチーフを抽出し、含んでいる情報の量を最小化し、説明の空間性と簡潔性を維持する。 実験では、TempMEの優位性が検証され、6つの実世界のデータセットで説明精度が最大8.21%向上し、現在のTGNNの平均精度が最大22.96%向上した。
  論文  参考訳（メタデータ） (2023-10-30T07:51:41Z)
• DyExplainer: Explainable Dynamic Graph Neural Networks [37.16783248212211]
  我々は,動的グラフニューラルネットワーク(GNN)を高速に説明するための新しいアプローチであるDyExplainerを提案する。 DyExplainerは動的なGNNバックボーンをトレーニングし、各スナップショットでグラフの表現を抽出する。 また,事前指導型正規化を実現するために,コントラスト学習技術によるアプローチも強化する。
  論文  参考訳（メタデータ） (2023-10-25T05:26:33Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• On the Limit of Explaining Black-box Temporal Graph Neural Networks [27.427529601958334]
  TGNN(Temporal Graph Neural Network)は、時間発展するグラフ関連タスクをモデル化する能力のため、近年注目を集めている。 グラフニューラルネットワークと同様に、TGNNによる予測をブラックボックスの性質から解釈するのは簡単ではない。
  論文  参考訳（メタデータ） (2022-12-02T03:39:57Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• An Explainer for Temporal Graph Neural Networks [27.393641343203363]
  時空間グラフニューラルネットワーク(TGNN)は、時間発展するグラフ関連タスクのモデリングに広く用いられている。 本稿では,TGNNモデルのための新しい説明フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-02T04:12:40Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。