時間グラフは金融取引やソーシャルネットワークなど現実世界のアプリケーションで広く利用されており、時間グラフネットワーク（TGN）は高い予測精度を達成しています。しかし、モデルがどのような過去のイベントに基づいて予測を行っているかを理解することは、その信頼性を高めるために非常に重要です。既存の説明手法は、TGNの中核コンポーネントであるメモリモジュール（ノードの履歴を記録・更新する部分）を無視しており、過去のイベントの影響が十分に探求されていませんでした。この問題に対処するため、研究チームはMemExplainerと呼ばれる手法を提案しました。
MemExplainerは、トポロジー帰属木とメモリバックトラッキング木の2つの要素から構成されます。トポロジー帰属木は近傍ノード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キング木は過去のイベントがノードのメモリベクトルをどのように形成するかを定量化します。さらに、層別関連性伝播（LRP）をTGNに適用することで、すべてのイベントの貢献度の合計がモデルのロジットと正確に一致することを保証します。また、ロジットから確率への非線形マッピングにより単純なtop-k選択が不正確になる可能性があるため、重要なイベントを特定するための最適化目的関数を設計しました。
実験は、ノード特性予測、リンク予測、グラフ分類のタスクを含む9つの時間グラフデータセットで実施されました。結果は、MemExplainerが忠実な説明を提供し、既存の最先端ベースラインをすべての指標で上回ることを示しています。コードはGitHubで公開されており、ICML 2026でSpotlight論文として採択されました。本研究は、TGNの説明可能性研究に新たな方向性を示し、特に高リスク領域でのTGNの信頼性向上に貢献することが期待されます。