解决图表流中的时间不连续性的批次无关动态图神经网络方法
机器学习
2025-06-25 v1 图形学
摘要
在动态图中，保持时间连续性至关重要。然而，基于记忆的动态图神经网络（MDGNN）通常使用大批量训练，容易破坏事件序列，导致时间信息丢失。这种不连续性不仅会恶化时间建模，还会增加参数收敛难度。我们的理论研究通过 Lipschitz 上界量化了这一现象，表明大批量会扩大参数搜索空间。作回应，我们提出BADGNN，一种新颖的批次无关框架，包含两个核心组件：（1）时间 Lipschitz 正则化（TLR），控制参数搜索空间的扩大；（2）自适应注意力调整（A3），缓解由正则化和批量处理引起的注意力扭曲。在三个基准数据集上的实验表明，BADGNN在保持强大性能的同时，显著增大了批量尺度并实现更快的训练速度，优于TGN。我们的代码已公开：https://anonymous.4open.science/r/TGN_Lipichitz-C033/。
引用
@article{arxiv.2506.19282,
title = {A Batch-Insensitive Dynamic GNN Approach to Address Temporal Discontinuity in Graph Streams},
author = {Yang Zhou and Xiaoning Ren},
journal= {arXiv preprint arXiv:2506.19282},
year = {2025}
}
备注
8pages, 5figures