특징 유도 정보 흐름(Feature-induced Information Flow)을 통한 시계열 그래프 신경망(Temporal Graph

이벤트 기반 시계열 그래프 신경망 (Event-based Temporal Graph Neural Networks, ETGNNs)은 소셜 네트워크 분석, 전염병 추적, 추천 시스템, 정치적 이벤트 예측을 포함한 광범위한 응용 분야에서 강력한 성능을 입증해 왔습니다. 그러나 이들의 증가하는 복잡성은 설명 가능성 (explainability) 측면에서 상당한 과제를 제기합니다. 기존의 설명 방법들은 ETGNNs 내 정보 흐름의 일부 하위 집합에만 집중하며, 일반적으로 이벤트 관련 임베딩 (event-related embeddings)에서 출력으로 이어지는 기여도를 추적합니다. 결과적으로, 노드 간의 상호작용을 매개하며 장기적 시계열 의존성 (long-range temporal dependencies)을 포착하는 데 중심적인 역할을 하는 이벤트 유도 변수 (event-induced variables)를 통한 중요한 경로들을 간과합니다. 이러한 한계를 극복하기 위해, 우리는 모든 이벤트 관련 변수를 통하는 extit{전체} 정보 흐름을 분석하는 새로운 기여도 산출 (attribution) 방법을 제안합니다. 우리의 방법은 최근의 정규화된 관련성 측정 (Normalized Relevance Measure, NRM) 프레임워크를 기반으로 구축되었으며, 이를 통해 이벤트 임베딩에서 기원하는 정보 흐름뿐만 아니라 이벤트 유도 변수를 통과하는 정보 흐름을 명시적으로 정량화할 수 있습니다. 또한 이는 레이어 간 잠재 변수 (latent variables)의 비교 가능성을 보장하며, 이벤트 간 상호작용에 대한 고차 분석 (higher-order analysis)을 지원합니다. ETGNNs의 구조적 복잡성을 처리하기 위해, 우리는 복잡한 신경망 구조에 대한 관련성 구조 (relevance structure)의 체계적인 구축을 용이하게 하는 모듈형 분해 절차를 통해 NRM 프레임워크를 확장합니다. 우리는 전염병 추적 및 사회적 역학을 위한 두 가지 합성 데이터셋과 정치적 이벤트 네트워크의 실제 데이터셋을 통해 우리의 접근 방식을 평가합니다. 우리의 정성적 및 정량적 실험은 우리 방법이 더 인간이 해석 가능한 설명을 생성하는 동시에 기존의 설명 방식들을 일관되게 능가함을 보여줍니다.