基于潜在条件扩散的数据增强用于连续时间动态图模型

连续时间动态图 (CTDG) 精确地建模演变的真实世界关系，正在动态图学习中引起高度关注。然而，现有的 CTDG 模型面临噪声和有限历史数据的挑战。图数据增强 (GDA) 作为关键解决方案，但当前方法主要关注静态图，难以有效解决 CTDGs 固有的动态问题。此外，这些方法通常需要大量领域专业知识进行参数调优，且缺乏增强效果的理论保证。为此，我们提出了 Conda，这是一种针对 CTDGs 的新型潜在扩散-based GDA 方法。Conda 具有 sandwich-like 架构，集成了变分自编码器 (VAE) 和条件扩散模型，旨在为目标节点的历史邻居嵌入生成增强版本。与常规在整个图上通过预训练的扩散模型不同，Conda 需要目标节点的历史邻居序列嵌入进行训练，从而实现更有针对性的增强。我们将 Conda 集成到 CTDG 模型中并采用交替训练策略来优化性能。广泛的在六个广泛使用的数据集上的实验展示了该方法始终能够显著提升性能，尤其是在历史数据有限的场景中。