EvoFormer：用于带结构和时间偏差校正的动态图级表示学习
机器学习
2025-08-22 v1 人工智能
摘要
动态图级嵌入旨在捕捉网络中的结构演化，这对于建模现实场景至关重要。然而，现有方法面临两个关键且鲜有探讨的挑战：结构访问偏差（Structural Visit Bias），即随机游走抽样对高度节点进行不成比例的强调，导致冗余且噪声的结构表示；以及突发演化盲区（Abrupt Evolution Blindness），即由于刚性或过于简化的时序建模策略，难以有效检测突发结构变化，导致时序嵌入不一致。为克服这些挑战，我们提出了EvoFormer，一个专为动态图级表示学习设计的演化感知Transformer框架。为缓解结构访问偏差，EvoFormer引入了结构感知Transformer模块，通过基于节点结构角色的位置编码，使模型能够全局区分并准确地表示节点结构。为克服突发演化盲区，EvoFormer采用演化敏感时序模块，通过一个有序的三步策略显式建模时序演化：（I）随机游走时间戳分类，生成初始时序感知的图级嵌入；（II）图级时序分段，将图流划分为结构连贯时期的分段；（III）分段感知时序自注意力结合边缘演化预测任务，使模型能够精确捕捉分段边界并感知结构演化趋势，有效适应快速的时序变化。广泛的在五个基准数据集上的评估表明，EvoFormer在图相似度排序、时序异常检测和时序分段任务中实现了最先进的性能，验证了其在校正结构和时序偏差方面的有效性。
引用
@article{arxiv.2508.15378,
title = {EvoFormer: Learning Dynamic Graph-Level Representations with Structural and Temporal Bias Correction},
author = {Haodi Zhong and Liuxin Zou and Di Wang and Bo Wang and Zhenxing Niu and Quan Wang},
journal= {arXiv preprint arXiv:2508.15378},
year = {2025}
}