通过记忆回溯与拓扑归因实现时间图网络的可解释性
本文提出MemExplainer方法，通过拓扑归因树和记忆回溯树来解释时间图网络（TGN）的预测。该方法首次考虑TGN中的记忆模块，量化历史事件对节点记忆向量的影响，并利用层间相关传播（LRP）确保事件贡献之和等于模型logits。在九个数据集上的实验表明，该方法在节点属性预测、链接预测和图分类任务中均优于现有基线，提供了忠实于模型的解释。该论文被ICML 2026接收为Spotlight论文，代码已开源。
时间图网络（TGN）在众多现实应用中表现出色，但理解其预测背后的历史事件对于提升可信度至关重要。然而，现有解释方法大多忽略了TGN的核心组件——记忆模块，该模块负责记录和更新节点历史，导致过去事件的影响未被充分挖掘。来自研究团队的最新论文提出了一种名为MemExplainer的方法，旨在通过拓扑归因树和记忆回溯树来归因TGN的预测，从而解决这一空白。
MemExplainer的核心由两个部分组成：拓扑归因树和记忆回溯树。前者主要捕获邻居节点及其记忆向量的影响，后者则量化历史事件如何塑造节点的记忆向量。研究团队进一步将层间相关传播（LRP）应用于TGN，确保所有事件的贡献之和精确等于模型的logits值。此外，由于从logits到概率的非线性映射可能导致简单的top-k选择不忠实，他们设计了专门的优化目标来识别真正重要的事件。
实验在九个时间图数据集上进行，涵盖了节点属性预测、链接预测和图分类三种任务。结果表明，MemExplainer不仅能够提供忠实的解释，而且在各项指标上均超越了当前最先进的基线方法。该研究的代码已在GitHub上开源，便于其他研究者复现和应用。这一成果被ICML 2026接收为Spotlight论文，为时间图网络的可解释性研究开辟了新的方向，并有望推动TGN在金融、社交网络等高风险领域的可靠部署。