GRExplainer: 时序图神经网络的通用解释方法

本文解决了时序图神经网络（TGNN）的可解释性问题，TGNNs 越来越多地用于动态图分析。 提出的 GRExplainer 方法通过提供通用、高效和用户友好的方法来解决现有可解释性方法的局限性。 重点关注通用性（支持各种 TGNN 类型）、效率（降低计算成本）和用户友好性（自动解释生成）是对该领域的重要贡献。 在真实世界数据集上的实验验证以及与基线的比较进一步增强了论文的影响。

• •提出了 GRExplainer，一种用于解释 TGNN 的新方法。
• •GRExplainer 被设计为通用、高效且用户友好。
• •它解决了现有可解释性方法的局限性。
• •采用节点序列和基于 RNN 的生成模型进行解释。
• •在真实世界数据集上表现出卓越的性能。