面向动态图表示学习的置换等变神经控制微分方程
机器学习
2025-10-28 v2
摘要
动态图由于节点特征的演变和网络结构的变化而表现出复杂的时序动力学。最近，图神经控制微分方程 (Graph Neural CDEs) 成功地将来自欧几里得域上的路径的神经 CDEs 推广到图域。基于此基础，我们引入置换等变图神经 CDEs，将图神经 CDEs 投影到置换等变函数空间中。这显著降低了模型的参数数量，而不损失表示能力，结果是更高效的训练和 improved 的泛化。我们通过在仿真动力系统和真实任务上的实验，证明了我们方法的优势，显示出在插值和外推情景中的 improved 性能。
引用
@article{arxiv.2506.20324,
title = {Permutation Equivariant Neural Controlled Differential Equations for Dynamic Graph Representation Learning},
author = {Torben Berndt and Benjamin Walker and Tiexin Qin and Jan Stühmer and Andrey Kormilitzin},
journal= {arXiv preprint arXiv:2506.20324},
year = {2025}
}