X-AddGraph: Framework di Spiegabilità Post-Hoc per il Rilevamento di Anomalie in Grafi Ricorrenti

Un nuovo articolo di ricerca introduce X-AddGraph, un framework di spiegabilità post-hoc per AddGraph, un modello fondamentale GCN+GRU per il rilevamento di anomalie a livello di bordo in grafi dinamici. Il framework affronta l'opacità dei rilevatori di deep learning, che forniscono punteggi ma non motivi per le anomalie segnalate, un problema critico nei sistemi informativi regolamentati che richiedono decisioni verificabili. X-AddGraph impiega un meccanismo di Attribuzione Spazio-Temporale Duale (DSTA) con tre componenti allineati ai moduli architetturali di AddGraph: attribuzione di rilevanza basata su gradienti sulla struttura di adiacenza (spaziale), lettura diretta dei pesi di attenzione contestuale (temporale a breve termine), e una terza componente (temporale a lungo termine) non dettagliata nell'abstract. L'articolo è disponibile su arXiv con identificatore 2608.12441, presentato come cross-announcement. Questo lavoro è significativo per il campo dell'IA spiegabile nel rilevamento di anomalie in grafi dinamici, offrendo un metodo per rendere le decisioni automatizzate più trasparenti e affidabili.