DynaSTy：动态图中时空节点属性预测的框架

在动态图上对节点级属性进行准确的多步预测对于从金融信任网络到生物网络的应用至关重要。现有的时空图神经网络通常假设静态邻接矩阵。在这项工作中，我们提出了一个端到端的动态边偏置时空模型，该模型接收节点属性的多维时间序列和邻接矩阵的时间序列，以预测节点属性的未来多个步骤。在每个时间步，我们基于 Transformer 的模型将给定的邻接作为可调节的注意力偏置注入，使模型能够在图演化时关注相关邻居。我们进一步部署了掩码节点-时间预训练目标，使编码器准备好重建缺失特征，并使用计划采样和视界加权损失进行训练，以减轻长视界上的复合误差。与先前的工作不同，我们的模型适应跨输入样本变化的动态图，从而能够在多系统环境中进行预测，例如不同受试者的大脑网络、不同语境下的金融系统或演化的社会系统。实证结果表明，我们的方法在均方根误差 (Root Mean Squared Error, RMSE) 和平均绝对误差 (Mean Absolute Error, MAE) 上始终优于强基线。