ChronoSpike：面向动态图的自适应脉冲图神经网络
机器学习
2026-05-08 v3
摘要
动态图表征学习需要捕捉结构关系和时间演化，但现有方法面临核心矛盾：注意力方法虽具表达力但复杂度为 ，而循环结构方法则 suffer from 梯度病理和稠密状态存储。脉冲神经网络提供事件驱动效率，但受限于顺序传播、二进制信息丢失和缺乏全局上下文的局部聚合。我们提出 ChronoSpike，一种自适应脉冲图神经网络，集成可学习的 LIF 神经元、每个通道的膜电动力学、连续特征上的多头空间注意力聚合，以及轻量级 Transformer 时间编码器。该设计实现细粒度局部建模和长程依赖捕获，空间复杂度为 激活/状态内存，额外增加 每节点注意力项，此项在评估的时间窗内仍保持较小。ChronoSpike 在三个大型基准测试中超越十二个最先进方法，平均提升 2.0% Macro-F1 和 2.4% Micro-F1，同时实现训练速度比循环方法快 3-10 倍，参数预算恒定为 105K，与图规模无关。我们提供膜电位有界性、收缩因子 下的梯度流稳定性以及 BIBO 稳定性的理论保证；可解释性分析揭示了异构的时间感受野和 83-88% 的稀疏性学习的原初效应。
引用
@article{arxiv.2602.01124,
title = {ChronoSpike: An Adaptive Spiking Graph Neural Network for Dynamic Graphs},
author = {Md Abrar Jahin and Taufikur Rahman Fuad and Jay Pujara and Craig Knoblock},
journal= {arXiv preprint arXiv:2602.01124},
year = {2026}
}