時間圖網路（TGN）在眾多現實應用中表現出色，但理解其預測背後的歷史事件對於提升可信度至關重要。然而，現有解釋方法大多忽略了TGN的核心元件——記憶模組，該模組負責記錄和更新節點歷史，導致過去事件的影響未被充分挖掘。來自研究團隊的最新論文提出了一種名為MemExplainer的方法，旨在透過拓撲歸因樹和記憶回溯樹來歸因TGN的預測，從而解決這一空白。
MemExplainer的核心由兩個部分組成：拓撲歸因樹和記憶回溯樹。前者主要捕獲鄰居節點及其記憶向量的影響，後者則量化歷史事件如何塑造節點的記憶向量。研究團隊進一步將層間相關傳播（LRP）應用於TGN，確保所有事件的貢獻之和精確等於模型的logits值。此外，由於從logits到機率的非線性對映可能導致簡單的top-k選擇不忠實，他們設計了專門的最佳化目標來識別真正重要的事件。
實驗在九個時間圖資料集上進行，涵蓋了節點屬性預測、連結預測和圖分類三種任務。結果表明，MemExplainer不僅能夠提供忠實的解釋，而且在各項指標上均超越了當前最先進的基線方法。該研究的程式碼已在GitHub上開源，便於其他研究者復現和應用。這一成果被ICML 2026接收為Spotlight論文，為時間圖網路的可解釋性研究開闢了新的方向，並有望推動TGN在金融、社交網路等高風險領域的可靠部署。