在现实应用中，时间图无处不在，而时间图网络（TGNs）在预测准确性上表现卓越。了解历史事件如何驱动模型预测，可以提升TGNs的可信度。
然而，现有的解释方法忽视了内存模块这一核心组件，未能探讨过去事件的影响。为了解决这一问题，我们通过拓扑归因树和记忆回溯树来归因TGNs的预测。拓扑归因树捕捉邻居及其记忆向量的影响，而记忆回溯树则量化历史事件如何塑造节点的记忆向量。
我们在TGNs中应用了LRP（层次反向传播），确保事件的总贡献等于模型的logits。最后，由于logits到概率的非线性映射，top-k选择可能不可靠，因此我们设计了优化目标以识别重要事件。
通过在九个时间图数据集上的实验，包括节点属性预测、链接预测和图分类任务，我们的方法提供了可信的解释，并超越了现有的最先进基线。代码可在 GitHub 获取。
博主点评： 该研究成功地将内存的动态变化纳入TGNs的可解释性分析中，填补了现有方法的空白。通过引入记忆回溯和拓扑归因树，提升了模型的透明度和用户信任度，对实际应用有重要意义。未来的研究可以进一步优化算法的效率和适用性。