Oct, 2023

TempME：通过模式发现实现时间图神经网络的解释性

PDF
TL;DR针对当前时间图神经网络（TempME）的关键挑战，提出了一种新颖的方法：Temporal Motifs Explainer（TempME），用于揭示触发该模型预测的最关键时间图案，实验证明 TempME 在解释准确性方面取得了优势，并提升了当前时间图神经网络的预测平均精确度。
发现论文，激发创造
  • 利用基本图形转换进行时间图生成

    本文提供了一种实用的临时图形生成模型，即 Motif Transition Model（MTM），旨在生成具有现实全局和本地特征的合成时间网络，通过模拟时态模式转换过程来实现全新事件的排序和生成。

    Jun, 2023

  • 时间网络中的 Motifs

    本文发展了时态网络模体的概念以及一个计算方法。结果表明不同领域的网络拥有显著不同的模体计数，同一领域的网络则有类似的模体计数，不同的模体发生在不同的时间尺度上。

    Dec, 2016

  • MAGE: 基于构图模式的模型层面图神经网络解释

    通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。

    May, 2024

  • 基于图信息瓶颈的自解释时变图网络

    基于图信息瓶颈的自解释时态图网络（TGIB）是一种新的内置解释框架，能够同时对事件发生和解释进行预测，通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明，与现有方法相比，TGIB 在链接预测性能和可解释性方面具有优势。

    Jun, 2024

  • 时间依赖网络中的时间模式

    介绍了时间网络的构成和时间次结构的概念，提出了一种基于颜色有向图的识别时间次结构的有效算法，并在大型移动电话网络上分析了其统计规律。

    Jul, 2011

  • 基于时间元路径引导的可解释推荐

    本文利用注意力机制，沿着连续商品之间的路径进行良好设计的商品 - 商品路径建模，以顺序建模动态知识图上的动态用户 - 商品演变，以获得可解释的推荐。通过对三个真实世界基准数据集上的广泛评估，我们证明了 TMER 相对于最近强基线的最新性能。

    Jan, 2021

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • 金融网络的时间性征：Mercari、JPMC 和 Venmo 平台的研究

    研究金融交易网络中的临时特征， 以此提高欺诈检测精度，并探讨金融和社交关系的相互作用对于预测友谊、识别供应商和分析时间周期的影响。

    Jan, 2023

  • 时空元路径引导的可解释犯罪预测

    本文提出了一种空间时间元路径引导的可解释犯罪预测（STMEC）框架，通过捕捉社会结构、环境和犯罪趋势的信息，明确地表征环境和社会因素相互作用产生预测。大量实验表明 STMEC 在预测罪行（如抢劫和使用危险武器的攻击）方面优于其他先进的时空模型。

    May, 2022

  • 学习解释图神经网络

    L2XGNN 是一种可解释型 GNN 框架，它能够学习选择解释性亚图，并指定其需要具备的属性，如稀疏性和连通性，从而提高预测的可解释性和准确性。它可以达到与传统方法相同的分类准确性，同时使用的仅仅是提供的解释所包含的亚图。

    Sep, 2022