用于时序图神经消息传递的序列模式推断

动态图中时序模式的建模是开发基于时间的图神经网络 (GNN) 中的重要当前研究议题。一特定序列是否构成时序图中的时序模式，不仅取决于其发生频率。我们考虑其偏离在时间戳被随机混洗的时序图中所预期结果的程度。尽管考虑此随机基线对于建模时序模式至关重要，但目前的时序图神经网络大多忽略了这一点。为此，我们提出了 HYPA-DBGNN，一种新颖的两步方法，结合 (i) 基于统计原则的空模型，对图上时间序列数据中异常时序模式进行推断，与 (ii) 利用其边捕获过度代表时序模式的更高阶 De Bruijn 图的神经消息传递方法。该方法利用超几何图集合识别第一阶和更高阶 De Bruijn 图中异常边，这些图编码了事件的时间顺序。该模型引入一种归纳偏置，增强模型的可解释性。我们使用基准数据集和一个展示其能够整合关于过度和欠代表时序边的观察归纳偏置的合成数据集对该方法进行评估。我们展示了该框架在检测来自经验数据集中的类似模式方面效果优于基线方法，表现出优异的节点分类性能。据我们所知，我们的工作是首次引入基于统计的 GNN，这些 GNN 利用时序和因果序列异常。HYPA-DBGNN 为桥接统计图推断和神经图表示学习之路，具有潜在的静态 GNN 应用前景。