تظهر أهمية الشبكات الزمنية في عالمنا اليوم بوضوح، ويعتبر نموذج الشبكات الزمنية (Temporal Graph Networks - TGNs) أحد الأدوات الرائدة الذكية في هذا المجال، حيث أثبتت تلك الشبكات دقتها المتفوقة في التنبؤات. إلا أن فهم العوامل التاريخية التي تؤثر على توقعات النموذج يعد أمرًا بالغ الأهمية لتعزيز موثوقيته.

تقنيات الشرح الحالية تتجاهل وحدة الذاكرة، وهي العنصر الأساسي الذي يسجل ويحدث تاريخ العقد. لهذه الأسباب، تم تطوير آلية جديدة تجمع بين شجرة الإسناد الطوبولوجي (Topology Attribution Tree) وشجرة التتبع الذاكري (Memory Backtracking Tree) لشرح كيف تؤثر الأحداث التاريخية على توقعات الشبكات الزمنية.

تعمل شجرة الإسناد الطوبولوجي على توضيح تأثير الجيران وذاكراتهم، بينما تقوم شجرة التتبع الذاكري بقياس كيفية تشكيل الأحداث التاريخية لذاكرة العقد. مع تطبيق تقنيات تفسير النموذج المعروفة (Layer-wise Relevance Propagation - LRP)، يمكن ضمان أن المساهمات الإجمالية من الأحداث تتماشى مع النتائج التي يقدمها النموذج.

تظهر التجارب التي أجريت على تسع مجموعات بيانات زمنية متعددة الأبعاد أن هذه الطريقة تعطي تفسيرات دقيقة وتتفوق على التقنيات الرائجة الأخرى. لمزيد من التفاصيل، يمكنكم الاطلاع على الكود المتاح هنا. هل أنتم مستعدون لاكتشاف أسرار الشبكات الزمنية وكيف يمكن لهذه التقنيات أن تغير طريقة فهمنا للتنبؤات؟ شاركونا آرائكم في التعليقات!