時間グラフネットワーク（TGN）は現実世界のアプリケーションにおいて広く利用されており、優れた予測精度を達成しています。しかし、これらの複雑なモデルがどのような過去のイベントに基づいて予測を行っているのかを理解することは、システムの信頼性を高めるために重要です。本研究は、既存の説明手法では見落とされていたメモリモジュール、すなわちノードの履歴を記録・更新するコアコンポーネントに焦点を当てています。 研究チームは、トポロジー帰属木とメモリ逆追跡木という2つの新しい手法を組み合わせてTGNの予測を解釈しました。トポロジー帰属木は隣接ノードとそのメモリベクトルの影響を捉え、メモリ逆追跡木は過去のイベントがノードメモリベクトルをどのように形成したかを定量化します。さらに、層単位適応性伝播（LRP）をTGNに適用することで、すべてのイベントの総貢献度がモデルのロジット値に等しくなることを保証しています。 また、単純なtop-k選択は非線形マッピング（ロジットから確率への変換）により不正確になる可能性があるため、研究者たちは重要なイベントを特定するための最適化目的を設計しました。9つの時間グラフデータセットを用いた実験では、ノード特性予測、リンク予測、グラフ分類タスクなど複数のシナリオで、提案手法が忠実な説明を提供し、既存の最先端手法を上回る性能を示しました。