基于图信息瓶颈的自解释时变图网络
原文中文，约300字，阅读约需1分钟。发表于：。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。
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。
