面向真实网络高阶动态的短期与长期模式学习
社会与信息网络
2025-08-26 v1 机器学习
摘要
真实网络中的对象之间存在高阶关系且随时间演化。为捕捉此类动态，已有众多研究在 various fields 中进行探索。通过深入的初始分析，我们观察到真实网络中高阶动态具有两个重要特征：高阶关系倾向于 (O1) 在短期内对其他关系产生结构和时间影响，以及 (O2) 在长期间周期性地重新出现。本文提出 LINCOLN，用于 Learning hIgh-order dyNamiCs Of reaL-world Networks 的方法，采用 (1) 双相互作用超边编码捕捉短期模式，(2) 周期性时间注入处理长期模式，以及 (3) 中间节点表示学习长期模式。通过大量实验，我们展示 LINCOLN 在动态超边预测任务中优于九种最先进的方法。
引用
@article{arxiv.2508.17236,
title = {Learning Short-Term and Long-Term Patterns of High-Order Dynamics in Real-World Networks},
author = {Yunyong Ko and Da Eun Lee and Song Kyung Yu and Sang-Wook Kim},
journal= {arXiv preprint arXiv:2508.17236},
year = {2025}
}
备注
5 pages, 4 figures, 2 tables, ACM International Conference on Information and Knowledge Management (CIKM) 2025