DyG-Mamba：基于动态图的连续状态空间建模
机器学习
2025-12-19 v2
摘要
动态图建模旨在揭示真实系统中的演化模式，从而实现精准的社交推荐和癌细胞的早期检测。灵感来源于最近状态空间模型在高效捕获长期依赖方面的成功，我们提出了 DyG-Mamba，通过将动态图建模转化为长期序列建模问题来实现此目标。具体而言，灵感来自 Ebbinghaus 的遗忘曲线，我们将事件之间的不规则时间间隔视为控制信号，使 DyG-Mamba 能够动态调整对历史信息的遗忘程度。此机制确保了不规则时间间隔的有效利用，从而提高模型的效果和归纳能力。此外，灵感来自 Ebbinghaus 的复习循环，我们重新定义核心参数，以确保 DyG-Mamba 有选择性地复习历史信息并过滤掉噪声输入，进一步增强了模型的鲁棒性。在针对覆盖动态链接预测和节点分类任务的 12 个数据集上进行详尽实验后，我们展示了 DyG-Mamba 在大多数数据集上实现了最先进的性能，同时显著提升了计算和内存效率。代码可在 https://github.com/Clearloveyuan/DyG-Mamba 查看。
引用
@article{arxiv.2408.06966,
title = {DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs},
author = {Dongyuan Li and Shiyin Tan and Ying Zhang and Ming Jin and Shirui Pan and Manabu Okumura and Renhe Jiang},
journal= {arXiv preprint arXiv:2408.06966},
year = {2025}
}
备注
Accepted by NeurIPS 2025