GreeDy and CoDy: Counterfactual Explainers for Dynamic Graphs

这篇论文介绍了两种新的TGNN（Temporal Graph Neural Networks）反事实解释方法：GreeDy（动态图形贪婪解释器）和CoDy（动态图形反事实解释器）。这些方法将解释视为搜索问题，寻找可以改变模型预测的输入图形变化。GreeDy采用简单的贪婪方法，而CoDy则采用复杂的蒙特卡罗树搜索算法。实验表明，这两种方法都能有效生成清晰的解释。值得注意的是，CoDy在找到显著反事实输入方面的成功率比GreeDy和现有的事实方法高出59％，这凸显了CoDy在澄清TGNN决策方面的潜力，提高了它们在实践中的透明度和可信度。

本文旨在解决动态图神经网络（TGNNs）的可解释性问题，提出两种新的反事实解释方法：GreeDy和CoDy。

GreeDy和CoDy将解释视为搜索问题，寻找影响模型预测的输入图形变化。GreeDy使用简单的贪心方法，而CoDy采用复杂的蒙特卡罗树搜索算法。

实验结果表明，GreeDy和CoDy都能有效地生成清晰的解释。尤其是CoDy在寻找显著反事实输入方面的成功率比GreeDy和现有的事实方法高达59％，这凸显了CoDy在澄清TGNN决策过程中的潜力，增加了它们在实践中的透明度和可信度。

相关研究包括对TGNNs的可解释性的研究，以及用于解释神经网络决策的其他反事实方法的研究。例如，Counterfactual Explanations for Machine Learning Models: A Gentle Introduction和Explaining Machine Learning Models: An Overview of Methods for Global and Local Explanations都是相关研究的论文标题。