動態圖上的異常檢測在金融反欺詐、網路安全、社交網路治理等場景中至關重要。以圖卷積網路（GCN）和門控迴圈單元（GRU）為核心的 AddGraph 是其中具有代表性的邊級異常檢測框架，在多項基準上展現出強檢測精度。然而，當模型標記一條異常邊時，分析人員只能得到一個分數，無法得知該判斷背後的依據。在強調協同與合規的資訊系統中，這種不透明性使得自動化決策難以審計和信任。針對這一問題，一篇由 Iyad Assaad Nekka 等人提交至 CoopIS 評審的最新論文提出了 X-AddGraph——據作者所知，這是第一個為 AddGraph 配備的事後解釋框架，不改變原模型的任何引數或推理流程。
X-AddGraph 的核心是雙時空歸因（DSTA）機制。它包含三個與 AddGraph 內部架構一一對應的元件：其一，基於梯度的相關性歸因，作用於當前鄰接矩陣，解釋空間結構的重要性；其二，直接讀取推理期間已計算的上下文注意力權重，用於解釋短期時間模式，且不增加額外計算成本；其三，透過迴圈隱藏狀態進行梯度回滾，揭示長期時間依賴。由於檢測器完全凍結，解釋的加入不會擾動原有預測，實驗驗證的 AUC 變化精確為零（Delta AUC=0，驗證到小數點後十位）。
在 UCI Message 基準上，作者訓練的 AddGraph 基線平均每快照 AUC 達到 0.8705，超過了原論文報告的數值。X-AddGraph 能夠逐一復現每個檢測分數，同時為原本缺乏解釋的邊提供歸因。作者對四類邊群體進行了評估：高置信度真陽性、低置信度真陽性、假陽性以及隨機樣本。結果顯示，長期時間歸因所定位的歷史快照包含顯著更強的反事實訊號（0.127 vs 0.074），這是任何僅關注空間結構的直譯器都無法提供的能力。這一結果表明，解釋不僅具有表面上的可讀性，還能揭示對檢測結果真正有影響的時序證據。
作者已釋出完整實現以供復現。對依賴動態圖異常檢測的機構而言，這一工作意味著可以在不犧牲檢測效能的前提下獲得可審計的決策依據，為人機協同審查和監管合規鋪平了道路。未來，類似架構對齊的思路也有可能推廣到其他 GCN+RNN 組合的動態圖檢測模型上。