इस पत्र में, हम CoDy का प्रस्ताव करते हैं, जो एक विरोधाभासी व्याख्या विधि है जो मॉडल से स्वतंत्र रूप से अलग-अलग उदाहरणों के लिए व्याख्याएँ प्रदान करती है। यह विधि टेम्पोरल ग्राफ न्यूरल नेटवर्क्स (TGNNs) की व्याख्यात्मकता समस्या का समाधान करती है। TGNNs का व्यापक रूप से उन गतिशील प्रणालियों के मॉडल बनाने के लिए उपयोग किया जाता है जहाँ संबंध और विशेषताएँ समय के साथ बदलती रहती हैं। CoDy, मोंटे कार्लो ट्री सर्च और हेयुरिस्टिक चयन नीतियों को संयोजित करने वाले एक खोज एल्गोरिथम का उपयोग करके स्थानिक, कालिक और स्थानीय घटना प्रभाव सूचना का उपयोग करके व्याख्या योग्य उपग्राफों के एक विशाल खोज क्षेत्र का कुशलतापूर्वक अन्वेषण करता है। प्रायोगिक परिणाम दर्शाते हैं कि CoDy, अत्याधुनिक बेसलाइन मॉडलों की तुलना में AUFSC+ मीट्रिक में 16% सुधार करता है।
