双时空归因：为循环图异常检测打造架构对齐的可解释性框架
动态图上的深度学习异常检测器已达到较高准确率，但当一条边被标记为异常时，分析人员只得到一个分数，却不知其所以然。这种“黑箱”在强调协作与合规的信息系统中难以被接受，因为自动化决策必须可审计、可信赖。针对这一痛点，一项新研究为经典的 GCN+GRU 框架 AddGraph 提出了首个严格的事后（post-hoc）可解释性方案——X-AddGraph，其核心是一种双时空归因（DSTA）机制，能够在不改动检测器的情况下，揭示异常评分背后的空间与时间线索。
架构对齐的归因设计
X-AddGraph 的巧妙之处在于，其三个归因组件分别对应 AddGraph 的架构模块：
- 空间归因：基于梯度的相关性归因，作用于当前邻接结构，指出哪些节点连接对异常判定贡献最大；
- 短期时间归因：直接读取推理过程中已计算的上下文注意力权重，不增加任何额外计算成本；
- 长期时间归因：通过循环隐藏状态的梯度回滚，追溯历史快照的影响。
由于检测器被冻结，其检测性能完全保留，实验验证 ΔAUC 精确到小数点后十位均为 0。在 UCI Message 基准上，训练后的 AddGraph 基线平均每快照 AUC 达到 0.8705，优于原论文结果；X-AddGraph 在复现每个分数的基础上，补充了此前缺失的解释信息。
长期归因的价值：反事实信号
研究在四类边样本（高置信度真阳性、低置信度真阳性、假阳性、随机样本）上评估了归因效果。结果显示，长期归因能够识别出携带显著更多反事实信号的历史快照（0.127 vs. 0.074），这一能力是任何仅关注空间结构的解释器都无法提供的。这意味着，当系统标记一条异常边时，X-AddGraph 不仅能告诉你“哪里异常”，还能告诉你“何时开始异常”，为分析人员提供了更完整的因果链条。
应用前景与开源
该框架为动态图异常检测的落地提供了重要支撑，尤其是在金融反欺诈、网络安全监控、社交网络风险预警等对可解释性要求极高的场景中。研究人员已公开实现代码，以促进可复现性与后续研究。目前该论文正在投稿至 CoopIS 会议，其方法有望成为图异常检测可解释性研究的新基准。
对于 AI 从业者而言，X-AddGraph 展示了一条“架构对齐”的可解释性路径：不牺牲性能，不增加推理负担，却能显著提升模型透明度。这种思路或许也能迁移至其他循环图神经网络，值得关注。