时序图模式机器
机器学习
2026-02-20 v2 人工智能
社会与信息网络
摘要
时序图学习对于解密动态系统至关重要，其核心挑战在于显式建模支配网络演变的潜在模式。然而，现有方法大多以任务为中心，依赖限制性假设——例如短期依赖建模、静态邻域语义以及回溯式时间使用，这些限制阻碍了可迁移时序演化机制的发现。为此，我们提出时序图模式机器（Temporal Graph Pattern Machine, TGPM），作为一个基础框架，将注意力转向直接学习通用演化模式。TGPM 将每个交互建模为通过时序偏置随机漫步合成的交互块，从而捕捉多尺度结构语义和超越immediate邻域的长程依赖。这些块由 Transformer 架构处理，旨在捕捉全局时序规律，同时适应特定情境下的交互动力学。为进一步赋能模型，我们引入一套自监督预训练任务——具体为掩码标记建模和下一时刻预测——以显式编码网络演化的基本法则。广泛的实验表明，TGPM 在 transductive 和 inductive 链接预测中均实现了最先进的性能，展现出卓越的跨域迁�能力。我们的代码已发布于 https://github.com/antman9914/TGPM。
引用
@article{arxiv.2601.22454,
title = {Temporal Graph Pattern Machine},
author = {Yijun Ma and Zehong Wang and Weixiang Sun and Yanfang Ye},
journal= {arXiv preprint arXiv:2601.22454},
year = {2026}
}