BriefGPT - AI 论文速递
·
Interpreting Temporal Graph Neural Networks Based on Koopman Theory
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究基于库普曼理论，提出了一种新方法解释时空图神经网络（STGNNs）的动态行为。通过动态模式分解和稀疏非线性动力学识别，成功识别了感染时间和受感染节点等特征，推动了时序图的理论理解与应用。
🎯
关键要点
- 本研究解决了时空图神经网络（STGNNs）在理解模型动态和解释其行为方面的复杂性问题。
- 基于库普曼理论，提出了一种新的可解释性方法。
- 使用动态模式分解（DMD）和稀疏非线性动力学识别（SINDy）两种方式，成功识别了感染时间和受感染节点等可解释特征。
- 该研究推动了时序图的理论理解与应用。
➡️
