TGFormer：面向时序图的Transformer架构及自相关机制
机器学习
2026-05-26 v1 人工智能
摘要
时序图神经网络（TGNN）日益受到关注，因其能够建模复杂动态并实现卓越性能。然而，TGNN在捕捉长期依赖和识别周期模式方面面临根本性挑战。为此，我们提出TGFormer，一种专为时序图设计的新型Transformer架构。我们的模型通过建立符合时间序列分析原理的轨迹框架，重新定义了时序图学习方法。这一方法使TGFormer能够通过系统性地分析历史交互，派生节点表示，从而实现对跨序列时间戳中节点关系的细粒度检视。基于随机过程理论，我们开发了自相关机制，系统性地揭示节点交互中的周期依赖。此创新使TGFormer能够在子交互水平上执行依赖发现和表示聚合，相较于常规注意力机制在效率和准确性方面表现更优。实验验证在六个公开基准数据集上的有效性，TGFormer最多实现了9.35%的精度提升。
关键词
引用
@article{arxiv.2605.24971,
title = {TGFormer: Towards Temporal Graph Transformer with Auto-Correlation Mechanism},
author = {Hongjiang Chen and Pengfei Jiao and Ming Du and Xuan Guo and Zhidong Zhao and Di Jin and Xiao Liu},
journal= {arXiv preprint arXiv:2605.24971},
year = {2026}
}