TMetaNet：用于动态链路预测的拓扑元学习框架
机器学习
2025-06-03 v1 人工智能
摘要
动态图持续演化，其不断变化的结构和时间依赖性给传统图学习带来了挑战。近期的研究进展表明，通过开发合适的基于元学习的动态图神经网络模型，在应对这些挑战方面具有潜力。然而，大多数针对动态图的元学习方法依赖于固定的权重更新参数，忽略了动态演化图所固有的复杂高阶拓扑信息。我们设计了 Dowker Zigzag Persistence（DZP），一种基于 Dowker 复形和 zigzag 持久同调的高效且稳定的动态图持久同调表示方法，以捕获动态图的高阶特征。基于 DZP 的思想，我们提出了 TMetaNet，一种基于动态拓扑特征的元学习参数更新模型。通过利用高阶拓扑特征之间的距离，TMetaNet 能够在快照之间实现更有效的自适应。在真实世界数据集上的实验表明，TMetaNet 具有最先进的性能和对图噪声的鲁棒性，展示了其在元学习和动态图分析方面的巨大潜力。我们的代码可在 https://github.com/Lihaogx/TMetaNet 获取。
引用
@article{arxiv.2506.00453,
title = {TMetaNet: Topological Meta-Learning Framework for Dynamic Link Prediction},
author = {Hao Li and Hao Wan and Yuzhou Chen and Dongsheng Ye and Yulia Gel and Hao Jiang},
journal= {arXiv preprint arXiv:2506.00453},
year = {2025}
}
备注
ICML2025