时序增强签名图神经网络的动态链接预测
机器学习
2026-05-27 v1
摘要
时序签名网络 (TSNs) 模型化社交媒体分析、信任与声誉系统以及金融交易网络等应用中出现的合作与对抗关系的演化。虽然图神经网络 (GNN) 在静态或非签名链接预测中表现良好，但由于签名关系、结构演化和平衡理论约束的相互作用，时序签名图上的有效学习仍具有挑战性。为此，我们提出一种\emph{模块化}时序增强框架，用于签名GNN，将历史上下文集成到本已静态的架构中。该框架引入历史上下文集成模块 (Historical Context Integration Module, HCIM)，结合可学习的时效感知时序加权、LSTM驱动的嵌入轨迹建模和多头时序注意力，以捕获短期和长期签名相互作用动态。通过全局或节点自适应加权将历史信息与当前节点表示融合，使架构无关性框架能够适应异构的时序行为。我们在自解释签名图变换器 (Self-Explainable Signed Graph Transformer, SE-SGformer) 上的实现保留可解释性，同时扩展时序感知能力。在包括比特币OTC、比特币Alpha、Reddit以及小世界网络模型在内的真实世界和合成TSNs实验中，结果表明该方法在静态基线上实现了持续且统计显著的改进。
引用
@article{arxiv.2605.26290,
title = {Dynamic Link Prediction with Temporally Enhanced Signed Graph Neural Networks},
author = {Derek Regier and Andrew Polyak and Aresh Dadlani and Khosro Salmani},
journal= {arXiv preprint arXiv:2605.26290},
year = {2026}
}
备注
11 pages