DyGnROLE：基于节点角色导向的动态图建模中的非对称性建模
机器学习
2026-02-27 v1 人工智能
社会与信息网络
摘要
现实中的动态图往往是有向的，源节点与目标节点的行为模式和时间动态性不对称。然而，现有的动态图架构大量依赖共享参数处理源节点和目标节点，缺乏系统性的角色感知建模。我们提出 DyGnROLE（Dynamic Graph Node-Role-Oriented Latent Encoding），一种基于 Transformer 的架构，显式解耦源节点和目标节点的表征。通过使用独立的嵌入词汇表和角色语义位置编码，模型捕捉每种角色特有的结构和时序语境。对低标签场景中这些专业嵌入的有效性至关重要，我们引入的自监督预训练目标是时序对比链接预测（TCLP）。该预训练利用完整的无标签交互历史编码信息丰富的结构偏差，使模型能够在不依赖标注数据的情况下学习角色特定的表征。在未来边缘分类评估中，DyGnROLE 在 diverse 基准中显著优于 state-of-the-art 基线，确立了角色感知建模是动态图学习的有效策略。
关键词
引用
@article{arxiv.2602.23135,
title = {DyGnROLE: Modeling Asymmetry in Dynamic Graphs with Node-Role-Oriented Latent Encoding},
author = {Tyler Bonnet and Marek Rei},
journal= {arXiv preprint arXiv:2602.23135},
year = {2026}
}