Dans cet article, nous proposons CoDy, une méthode d'explication paradoxale fournissant des explications pour des instances individuelles indépendamment du modèle, afin de résoudre le problème d'explicabilité des réseaux de neurones à graphes temporels (TGNN), largement utilisés pour modéliser des systèmes dynamiques où les relations et les caractéristiques évoluent au fil du temps. CoDy explore efficacement un vaste espace de recherche de sous-graphes explicables en exploitant les informations d'influence spatiale, temporelle et locale des événements grâce à un algorithme de recherche combinant la recherche arborescente de Monte-Carlo et des politiques de sélection heuristique. Les résultats expérimentaux montrent que CoDy améliore la métrique AUFSC+ de 16 % par rapport aux modèles de référence de pointe.
