TiGer：面向时变图的自监督净化
机器学习
2025-03-12 v2
摘要
时变图（如社交网络和引文网络）通常包含噪声，这会扭曲结构和时间模式，对节点分类等下游任务产生不利影响。现有的净化方法侧重于静态图，限制了它们对动态图中关键时间依赖性的考量。在本工作中，我们提出了TiGer（时变图净化器），这是一种专门为时变图设计的自监督方法。TiGer使用（1）自注意力机制来捕捉由不同重要性的相邻和遥远过去事件共同塑造的长期上下文模式，以及（2）统计距离度量来检测短期内的不一致性，从而为边分配两种不同的子分数。这些子分数用于通过集成策略识别并过滤可疑（即类噪声）边，确保在无需噪声标签的情况下保持鲁棒性。我们在五个真实世界数据集上的实验表明，与最先进的方法相比，TiGer过滤噪声的准确率最高可提高10.2%，节点分类性能最高可提高5.3%。
引用
@article{arxiv.2503.06990,
title = {TiGer: Self-Supervised Purification for Time-evolving Graphs},
author = {Hyeonsoo Jo and Jongha Lee and Fanchen Bu and Kijung Shin},
journal= {arXiv preprint arXiv:2503.06990},
year = {2025}
}
备注
PAKDD 2025