Zespół badawczy zaproponował metodę wyjaśniania predykcji Temporal Graph Networks poprzez analizę pamięci i topologii sieci. Problem polega na tym, że dotychczasowe metody wyjaśniające ignorowały moduł pamięci - serce TGN, które przechowuje i aktualizuje historie węzłów. Tym samym nie badano wpływu zdarzeń z przeszłości na predykcje modelu.
Rozwiązanie opiera się na dwóch elementach: drzewie atrybucji topologicznej, które przechwytuje wpływ sąsiadów i ich wektorów pamięci, oraz drzewie śledzenia pamięci wstecz, które kwantyfikuje, jak historyczne zdarzenia kształtują wektory pamięci węzłów. Badacze zastosowali Layer-wise Relevance Propagation (LRP) do TGN, zapewniając, że całkowy wkład zdarzeń równa się logitom modelu. Dodatkowo zaproponowali nowe funkcje optymalizacyjne do identyfikacji ważnych zdarzeń, ponieważ tradycyjne podejście selekcji top-k może być nieadekwatne ze względu na nieliniowe mapowanie z logitów do prawdopodobieństw.
Eksperymenty przeprowadzone na dziewięciu zbiorach danych obejmujących predykcję właściwości węzłów, predykcję łączeń i klasyfikację grafów wykazały, że metoda zapewnia faithful explanations i przewyższa istniejące podejścia. Kod został udostępniony na GitHubie, co ułatwia reprodukcję wyników i dalsze badania w dziedzinie interpretability czasowych sieci grafowych.