面向动态图表征学习的时间可变相互作用图 ODE
机器学习
2026-04-29 v1 人工智能
摘要
图神经普通微分方程（Graph Neural ODE）将神经微分方程与图神经网络（Graph Neural Network, GNN）的信息传递机制相结合，提供了图表征学习的连续时间建模方法。然而，在动态图场景中，现有的图神经 ODE 通常采用统一的信息传递机制，假设任意时刻节点之间的相互作用共享相同的消息传递函数，这使得捕捉节点相互作用模式的多样性和时变性具有挑战性。为此，我们提出时间可变相互作用图普通微分方程（Time-varying Interaction ODE, TI-ODE）。TI-ODE 的核心思想是将图 ODE 的演化函数分解为一组可学习的相互作用基函数，其中每个基函数对应于一种不同的节点间相互作用类型。这些基函数通过时依赖的可学习权重动态组合，从而实现节点间相互作用模式的自适应演化。在六个动态图数据集上的实验结果表明，TI-ODE 持续地优于现有方法，在属性预测任务上实现最先进性能；此外，对 \textit{Covid} 数据集的实验进一步验证了 TI-ODE 的可解释性和通用性。 Furthermore, 我们在理论和实证层面表明，TI-ODE 在使用统一消息传递机制的模型中具有更好的鲁棒性。
引用
@article{arxiv.2604.24811,
title = {Time-varying Interaction Graph ODE for Dynamic Graph Representation Learning},
author = {Xiaoyi Wang and Zhiqiang Wang and Jianqing Liang and Xingwang Zhao and Chuangyin Dang and Zhen Jin and Jiye Liang},
journal= {arXiv preprint arXiv:2604.24811},
year = {2026}
}