PTCL：面向标签受限动态图的伪标签时序课程学习

动态节点分类对于建模金融交易和学术合作等演化系统至关重要。在此类系统中，动态捕获节点信息变化对动态节点分类至关重要，这通常需要每个时间戳的所有标签。然而，在现实场景中，由于高昂的标注成本和标签不确定性（例如，欺诈检测中模糊或延迟的标签），很难收集所有动态标签。相比之下，最终时间戳标签更容易获得，因为它们依赖于完整的时序模式，并且在许多开放平台中通常作为每个用户的唯一标签进行维护，无需跟踪历史数据。为了弥合这一差距，我们提出了 PTCL（伪标签时序课程学习），这是一种解决仅有最终标签可用的标签受限动态节点分类问题的开创性方法。PTCL 引入了：(1) 一种时序解耦架构，将主干网络（学习时间感知表示）和解码器（严格与最终标签对齐）分离，从而生成伪标签；(2) 一种时序课程学习策略，通过使用指数衰减函数为更接近最终时间戳的伪标签分配更高权重来优先处理它们。我们贡献了一个新的学术数据集 (CoOAG)，用于捕获动态图中的长程研究兴趣。跨现实场景的实验表明，PTCL 优于针对此任务调整的其他方法。除了方法论之外，我们提出了一个统一框架 FLiD（标签受限动态节点分类框架），包含完整的准备工作流、训练流程和评估标准，并支持各种模型和数据集。代码可在 https://github.com/3205914485/FLiD 找到。