محققان در پژوهش جدیدی به چالش بزرگ «تفسیرپذیری» در شبکههای گراف زمانی پرداختهاند. تا پیش از این، بخش مهمی از این مدلها یعنی «حافظه» (Memory)، جعبهای سیاه محسوب میشد که مشخص نبود چگونه بر پیشبینیها اثر میگذارد.
حالا با متد جدیدی که معرفی شده، میتوان دقیقاً متوجه شد که کدام رویدادهای تاریخی باعث تصمیمگیری مدل شدهاند. این ابزار با استفاده از «درختهای نسبتدهی توپولوژی» و «ردیابی حافظه»، به مدلهای TGN هویت و شفافیت بیشتری میبخشد. این یعنی مدلهای هوش مصنوعی در تحلیل دادههای پیچیده، قابلاعتمادتر از قبل خواهند بود! 🧠✨
🔗 لینک گیتهاب پروژه:
https://github.com/yazhengliu/MemExplainer
منبع: arXiv Machine Learning
