Explaining Temporal Graph Neural Networks via Feature-induced Information Flow
通过特征诱导信息流解释时序图神经网络
🧭 图神经网络解释 · 时序事件图
Berlin Institute for the Foundations of Learning and Data · Technical University of Berlin · RIKEN AIP · Korea University · Max Planck Institute for Informatics
基于归一化相关性度量（NRM）的模块化分解方法，捕获事件驱动变量的全信息流以解释时序图神经网络
📌 工作参考价值
- 在电商行为序列建模中，若采用事件驱动图神经网络（如用户点击、购买事件），可借鉴 NRM 框架量化每个历史事件对当前推荐结果的贡献，生成可解释的归因报告。
- 模块化分解方法使复杂图神经网络的解释可系统构建，适用于多组件协同的推荐模型（如多兴趣提取模块叠加图卷积），可降低工程实现复杂度。
- 高阶交互分析能力能揭示多个事件（例如浏览、加购、收藏）的联动影响，帮助运营理解用户决策链条，优化推荐策略。
- 方法强调的归一化机制保证了跨层比较的公平性，可迁移到需要对比不同特征重要度的其他深度学习模型中。
动机：事件驱动的时序图神经网络（ETGNNs）在社交网络、流行病追踪、推荐等领域效果显著，但可解释性不足。现有方法仅关注从事件嵌入到输出的部分信息流，忽略了通过“事件诱导变量”（如节点状态更新）传递的重要路径，这些变量对捕获长程时间依赖至关重要。亟需一种能分析全部信息流的归因方法。
方法：基于归一化相关性度量（NRM）框架，提出一种全信息流归因方法。它显式量化两类信息流：源自事件嵌入的初始流，以及流经事件诱导变量的间接流。通过引入模块化分解，系统构建复杂 ETGNN 架构的相关性结构，支持跨层变量的可比性，并能分析事件间的高阶交互。该方法以更透明的方式分配各组件对预测的贡献。
结果：在两个合成数据集（流行病追踪、社会动力学）和一个真实政治事件网络数据集上，定性和定量实验均表明，本方法在解释保真度和人类可理解性上持续优于现有解释方法。尤其在长程依赖场景，它能更准确地捕捉关键事件和间接影响。