論文の概要: Towards the Explainability of Temporal Graph Networks via Memory Backtracking and Topological Attribution

• arxiv url: http://arxiv.org/abs/2607.07716v1
• Date: Sat, 04 Jul 2026 08:35:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.273187
• Title: Towards the Explainability of Temporal Graph Networks via Memory Backtracking and Topological Attribution
• Title（参考訳）: メモリバックトラックとトポロジカル属性を用いた時間グラフネットワークの説明可能性に向けて
• Abstract要約: 既存の説明手法は、ノード履歴を記録し更新するコアコンポーネントであるメモリモジュールを見渡す。 我々は、トポロジー属性ツリーとメモリバックトラックツリーによるTGNの予測を属性とする。 我々の手法は忠実な説明を提供し、最先端のベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 28.272137321644674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal graphs are ubiquitous in real-world applications and Temporal Graph Networks (TGNs) have achieved superior predictive accuracy. Understanding which historical events drive model predictions can enhance trustworthiness of TGNs. Existing explanation methods overlook the memory module, the core component that records and updates node histories, leaving the influence of past events unexplored. To address this, we attribute TGNs predictions through the topology attribution tree and memory backtracking tree. The topology attribution tree captures the influence of neighbors and their memory vectors, then the memory backtracking tree quantifies how historical events shape node memory vectors. We apply the LRP in TGNs, ensuring that the total contribution of events equals the logits of model. Finally, top-k selection may be unfaithful due to the nonlinear mapping from logits to probabilities, we design optimization objectives to identify the important events. Experiments on nine temporal graph datasets, spanning node property prediction, link prediction tasks and graph classification tasks, show that our method provides faithful explanations and outperforms state-of-the-art baselines. The code is available at https://github.com/yazhengliu/MemExplainer
• Abstract（参考訳）: テンポラルグラフは現実世界のアプリケーションではユビキタスであり、テンポラルグラフネットワーク(TGN)は予測精度が優れている。 モデル予測を駆動する歴史的事象の理解は、TGNの信頼性を高めることができる。 既存の説明手法は、ノード履歴を記録し、更新するコアコンポーネントであるメモリモジュールを見下ろし、過去のイベントの影響を未調査のまま残している。 これを解決するために,TGNs予測をトポロジ属性ツリーとメモリバックトラックツリーによって評価する。 トポロジ属性ツリーは、隣人とそのメモリベクトルの影響を捉え、メモリバックトラックツリーは、歴史的事象がノードメモリベクトルをどう形成するかを定量化する。 TGNにLRPを適用し、イベントの総寄与がモデルのロジットに等しいことを保証します。 最後に、ロジットから確率への非線形マッピングにより、トップk選択が不誠実である場合があり、重要な事象を特定するために最適化目標を設計する。 9つの時間グラフデータセット(ノード特性予測、リンク予測タスク、グラフ分類タスク)の実験により、本手法が忠実な説明を提供し、最先端のベースラインを上回っていることが示された。 コードはhttps://github.com/yazhengliu/MemExplainerで入手できる。

関連論文リスト

• Parallelizing Node-Level Explainability in Graph Neural Networks [0.3262230127283452]
  グラフニューラルネットワーク(GNN)は、幅広いタスクにおいて顕著なパフォーマンスを示している。 ノード分類において、ノードレベルの説明可能性は非常に時間がかかり、グラフのサイズが大きくなる。 本稿では,グラフ分割によるGNNにおけるノードレベルの説明可能性の並列化手法を提案する。
  論文  参考訳（メタデータ） (2026-01-08T10:39:48Z)
• GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks [66.07512871031163]
  ラベルなしグラフデータよりも強力なグラフニューラルネットワーク(GNN)を事前学習する。 適応段階では、グラフプロンプトは学習可能なプロンプトで入力グラフデータを修正し、事前学習されたGNNモデルを凍結し続ける。 本稿では,事前学習したGNNモデルを下流タスクに効果的に適用するために,最初の**Graph****opology-**O**riented **P**rompting(GraphTOP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T22:50:12Z)
• From GNNs to Trees: Multi-Granular Interpretability for Graph Neural Networks [29.032055397116217]
  解釈可能なグラフニューラルネットワーク(GNN)は、モデル予測の背後にある理由を明らかにすることを目的としている。 既存の部分グラフベースの解釈可能なメソッドは、局所構造上のオーバーエンハンシスに悩まされる。 グラフ分類のための新しいツリーライクな解釈フレームワーク(TIF)を提案する。
  論文  参考訳（メタデータ） (2025-05-01T07:22:51Z)
• Graph Spring Neural ODEs for Link Sign Prediction [49.71046810937725]
  本稿では,春の力によってモデル化されたグラフスプリングネットワーク(GSN)と呼ばれる新しいメッセージパッシング層アーキテクチャを提案する。 提案手法は,大規模グラフ上で最大28,000のノード生成時間高速化係数を持つ最先端手法に近い精度を実現する。
  論文  参考訳（メタデータ） (2024-12-17T13:50:20Z)
• Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction [5.651457382936249]
  提案手法であるUPNAは,一対のノード属性を学習し,エッジの確率を予測することによって,帰納的リンク予測問題を解く。 UPNAは、様々なペアワイズ学習タスクに適用でき、既存のリンク予測モデルと統合して、一般化可能性とグラフ生成モデルを強化することができる。
  論文  参考訳（メタデータ） (2023-07-17T22:19:12Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• A Graph Regularized Point Process Model For Event Propagation Sequence [2.9093633827040724]
  ポイントプロセスは、不規則な間隔で発生するイベントシーケンスをモデル化するための支配的なパラダイムである。 本稿では,隣接ノード間のイベントインタラクションを特徴付けるグラフ正規化ポイントプロセスを提案する。 グラフ正規化法を適用することにより、GRPPはノード間の影響強度を明らかにすることによってモデル解釈可能性を提供する。
  論文  参考訳（メタデータ） (2022-11-21T04:49:59Z)
• TREE-G: Decision Trees Contesting Graph Neural Networks [33.364191419692105]
  TREE-Gは、グラフデータに特化した新しい分割関数を導入することで、標準的な決定木を変更する。 グラフニューラルネットワーク(GNN)やグラフカーネル(Graph Kernels)などのグラフ学習アルゴリズムでは,TREE-Gが他のツリーベースモデルより一貫して優れていることが示されています。
  論文  参考訳（メタデータ） (2022-07-06T15:53:17Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• GNNAutoScale: Scalable and Expressive Graph Neural Networks via Historical Embeddings [51.82434518719011]
  GNNAutoScale(GAS)は、任意のメッセージパスGNNを大規模グラフにスケールするためのフレームワークである。 ガスは、前回のトレーニングの繰り返しから過去の埋め込みを利用して計算グラフのサブツリー全体を掘り起こします。 ガスは大規模グラフ上で最先端のパフォーマンスに達する。
  論文  参考訳（メタデータ） (2021-06-10T09:26:56Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。