Rumo à Explicabilidade de Redes de Grafos Temporais por meio de Retrocesso de Memória e Atribuição Topológica

arXiv:2607.07716v1 Tipo de anúncio: novo Resumo: Grafos temporais são onipresentes em aplicações do mundo real, e as Redes de Grafos Temporais (TGNs) alcançaram uma acurácia preditiva superior. Compreender quais eventos históricos impulsionam as previsões do modelo pode aumentar a confiabilidade das TGNs. Os métodos de explicação existentes ignoram o módulo de memória, o componente central que registra e atualiza os históricos dos nós, deixando inexplorada a influência de eventos passados. Para resolver isso, atribuímos as previsões das TGNs por meio de...