거래, 소셜 연결, 센서 사건처럼 관계가 시간에 따라 변하는 데이터에는 시간 그래프 신경망이 쓰인다. 예측 정확도가 높아도 어떤 과거 사건이 판단을 만들었는지 알기 어렵다면 신뢰하기 힘들다. 기존 설명 방법은 노드 이력을 기록하고 갱신하는 핵심 기억 모듈을 지나치는 경우가 많았다. Yazheng Liu 등 연구진은 기억 역추적과 위상 기여를 결합해 이 공백을 다뤘다. 논문은 2026년 7월 4일 arXiv에 제출됐으며 ICML 2026 스포트라이트로 표시됐다.
제안 방법은 두 종류의 트리를 사용한다. 위상 기여 트리는 이웃 노드와 그 기억 벡터가 예측에 미친 영향을 포착한다. 기억 역추적 트리는 한 단계 더 과거로 내려가 역사적 사건들이 노드의 기억 벡터를 어떻게 형성했는지 수치화한다. 현재 연결뿐 아니라 기억 속에 압축된 시간적 원인까지 설명 대상으로 끌어낸다.
연구진은 층별 관련도 전파인 LRP를 시간 그래프 신경망에 적용해 사건들의 전체 기여도가 모델 로짓과 같도록 설계했다. 로짓에서 확률로 가는 비선형 변환 때문에 단순히 기여도 상위 k개를 고르면 충실하지 않을 수 있다는 문제도 지적한다. 이에 중요한 사건 집합을 찾기 위한 별도의 최적화 목적을 구성했다.
노드 속성 예측, 링크 예측, 그래프 분류를 아우르는 시간 그래프 데이터셋 아홉 개에서 기존 최신 기준선보다 충실한 설명을 제공했다고 초록은 보고한다. 코드는 공개됐다. 다만 설명의 충실도가 사람에게 이해하기 쉬운 설명이나 실제 인과관계를 자동으로 보장하지는 않는다. 특정 시간 그래프 모델과 평가 목적을 넘어서는 일반성, 대규모 그래프에서의 계산 비용도 배포 전에 확인할 과제다.
원문: arXiv 2607.07716
저작권자 © STORIUM 무단전재 및 재배포 금지
