基于图信息瓶颈的自解释时变图网络
本文研究了自解释的动态图神经网络(GNNs),旨在预测未来的链接并提供因果解释。通过整合独立和混淆因果模型(ICCM),解决了捕捉基础结构和时间信息的挑战,并生成高质量链接预测结果和解释。实验证明,该模型在准确性、解释质量和鲁棒性上优于现有方法。
原文中文,约300字,阅读约需1分钟。
本文研究了自解释的动态图神经网络(GNNs),旨在预测未来的链接并提供因果解释。通过整合独立和混淆因果模型(ICCM),解决了捕捉基础结构和时间信息的挑战,并生成高质量链接预测结果和解释。实验证明,该模型在准确性、解释质量和鲁棒性上优于现有方法。