基于边类型解耦网络的完整历史图用于时序推理

在许多实际任务中，建模实体之间演化的相互作用至关重要。例如，预测交通中的驾驶员动作需要跟踪相邻车辆在连续帧中相对于彼此加速、制动和变线的方式。类似地，检测金融欺诈取决于跟随资金通过连续交易如何在网络中传播。与经典时间序列预测不同，这些场景要求对谁与何时发生交互进行推理，因而需要一种使关系及其演变显式的时序图表示。现有的时序图方法通常使用快照图来编码时序演变。我们引入一种完整历史图，其为每个时刻的每个实体实例化一个节点，并分离两种边集合：（i）在单个帧内捕获关系的时序内边；（ii) 连接连续时刻下同一实体的时序间边。为在该图上学习，我们设计了一种边类型解耦网络（ETDNet），包含平行模块：图注意力模块聚合时序内边的信息，多头时序注意力模块注意实体在时序历史中的自身，融合模块在每层之后组合这两种消息。评估在驾驶员意图预测（Waymo）和比特币欺诈检测（Elliptic++）上，ETDNet consistently 超过强基线，将Waymo联合准确率提升至75.6%（相对于74.1%），将Elliptic++非法类别F1提升至88.1%（相对于60.4%）。这些收益表明，将结构关系和时序关系作为独立边在单个图中表示的好处。