SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs

本文研究了一个新的研究任务：自解释的CTDGs GNNs，旨在预测动态图中的未来链接并同时为这些预测提供因果解释。然而，动态图神经网络在连续时间动态图（CTDGs）上的预测解释是困难的。其中有两个关键挑战：（1）捕捉跨独立同分布（IID）和分布外（OOD）数据保持一致的潜在结构和时间信息；（2）高效生成高质量的链接预测结果和解释。为了解决这些挑战，我们提出了一种新的因果推断模型，即独立和混淆因果模型（ICCM）。ICCM被整合到一个同时考虑效率和有效性的深度学习架构中。广泛的实验表明，我们提出的模型在链接预测准确性、解释质量和对快捷特征的鲁棒性方面显著优于现有方法。我们的代码和数据集已匿名发布在https://github.com/2024SIG/SIG。

本篇论文旨在解决连续时间动态图（CTDGs）上的自我解释图神经网络（GNNs）的预测和因果解释问题。具体而言，如何在保持结构和时间信息一致的情况下，有效地预测未来的链接并提供因果解释是本文探讨的问题。

本文提出了一种新的因果推断模型——独立和混淆因果模型（ICCM），并将其集成到一个同时考虑效率和效果的深度学习架构中。ICCM能够有效地捕捉IID和OOD数据中的结构和时间信息，并生成高质量的预测和解释。

本文的亮点包括：1.提出了解决CTDGs上自我解释GNNs的新方法；2.提出了一种新的因果推断模型ICCM；3.在预测准确性、解释质量和对快捷特征的鲁棒性方面，ICCM显著优于现有方法；4.公开了代码和数据集。

在这个领域中，最近的相关研究包括：1.《Dynamic Graph Convolutional Networks》；2.《Continuous-Time Dynamic Network Embeddings》；3.《Temporal Graph Networks for Deep Learning on Dynamic Graphs》。