面向可扩展离散时间动态图神经网络的输入快照融合
机器学习
2025-02-13 v2
摘要
近年来，动态图表示学习研究呈快速增长，主要聚焦于建模真实应用中时空模式的演化。然而，在离散时间动态图领域，对时序边的探索仍不足。现有方法常依赖额外的序列模型来捕获动态特性，导致大规模图的计算和内存成本高昂。为此，我们提出一种基于输入快照融合的可扩展离散时间动态图神经网络(SFDyG)，将 Hawkes 过程与图神经网络结合，有效捕获动态图中的时序与结构模式。通过将多个快照融合为单个时序图，SFDyG 使计算复杂度从快照数量中解耦，实现高效的全批次和 mini-batch 训练。在针对未来链接预测任务的八个多样化动态图数据集上的实验评估表明，SFDyG 在所有数据集上均一致优于现有方法。
引用
@article{arxiv.2405.06975,
title = {Input Snapshots Fusion for Scalable Discrete-Time Dynamic Graph Neural Networks},
author = {QingGuo Qi and Hongyang Chen and Minhao Cheng and Han Liu},
journal= {arXiv preprint arXiv:2405.06975},
year = {2025}
}