arXiv cs.LGは7月4日(現地時間)、Temporal Graph Networks（TGNs）の予測解釈性を高める新たな手法に関する論文を発表した。Yazheng Liu氏らの研究チームは、TGNsのメモリモジュールに着目し、過去のイベントが予測に与える影響を定量的に説明するアプローチを提案。topology attribution treeとmemory backtracking treeを活用することで信頼性向上を目指す。実験では9つのデータセットを用い、既存手法を上回る性能を示したと報告されている。
Temporal Graph Networks（TGNs）は様々なアプリケーションで高い予測精度を達成している。しかし、モデルの予測がどのような履歴イベントによって駆動されるかを理解することは、TGNsの信頼性向上に不可欠であるとされている。
既存の解釈手法は、ノードの履歴を記録・更新するメモリモジュールを見過ごす傾向にあり、過去のイベントが予測に与える影響は未探索のままであった。この課題に対し、Yazheng Liu氏、Xi Zhang氏、Sihong Xie氏、Hui Xiong氏の研究チームは、topology attribution treeとmemory backtracking treeを通じてTGNsの予測を帰属させる手法を提案した。
topology attribution treeは近傍ノードとそのメモリベクトルの影響を捕捉する。一方、memory backtracking treeは履歴イベントがノードのメモリベクトルをどのように形成するかを定量化する。研究チームは、TGNsにLRP（Layer-wise Relevance Propagation）を適用し、イベントの総寄与がモデルのlogitsに等しくなるようにした。また、logitsから確率への非線形マッピングによってtop-k選択が不正確になる可能性に対処するため、重要なイベントを特定するための最適化目的を設計している。
この手法は、ノードプロパティ予測、リンク予測タスク、グラフ分類タスクを含む9つの時系列グラフデータセットで検証された。実験結果は、提案手法が信頼性の高い説明を提供し、既存の最先端ベースライン手法と比較して優れた性能を示すことを報告している。
本研究で提案された手法は、ノードやリンクの接続構造、特徴量に焦点を当てた既存の解釈手法と比較し、TGNsのメモリモジュールに蓄積された履歴イベントの時系列的な因果を明確にする点で優位性を持つ。これにより、過去のユーザー行動履歴に基づく推薦システムや、ネットワークイベント履歴による不正検知といったアプリケーションにおいて、特定の予測がどのようなイベント系列によって形成されたかを深く洞察できる可能性が生まれる。予測の信頼性向上だけでなく、システムの改善や説明責任の遂行にも寄与し、実務者や開発者がより堅牢で説明可能なAIシステムを構築するための一助となると見られる。本研究論文はICML 2026 Spotlightとのコメントが付されている。
参考: arXiv cs.LG (アーカイブ) — 2026年7月10日 13:00 (JST)