理解与改进时序图神经网络的拉普拉斯位置编码
机器学习
2025-06-03 v1 人工智能
摘要
时序图学习在推荐系统、交通预测和社交网络分析中有着广泛的应用。尽管已有多种架构被提出，但时序图位置编码的进展仍然有限。通过 supra-Laplacian 将静态拉普拉斯特征向量方法扩展到时序图已展现出潜力，但也带来了关键挑战：高昂的特征分解成本、有限的理论理解，以及关于何时与如何应用这些编码的模糊性。在本文中，我们通过以下方式解决这些问题：(1) 提出一个理论框架，将 supra-Laplacian 编码与每个时间切片的编码联系起来，强调利用额外时间连通性的益处；(2) 引入新方法以减少计算开销，实现高达 56 倍的运行速度提升，并扩展至具有 50,000 个活跃节点的图；(3) 进行广泛的实验研究，以确定哪些模型、任务和数据集最能从这些编码中受益。我们的研究结果表明，尽管位置编码在某些场景下能显著提升性能，但其有效性在不同模型间存在差异。
引用
@article{arxiv.2506.01596,
title = {Understanding and Improving Laplacian Positional Encodings For Temporal GNNs},
author = {Yaniv Galron and Fabrizio Frasca and Haggai Maron and Eran Treister and Moshe Eliasof},
journal= {arXiv preprint arXiv:2506.01596},
year = {2025}
}
备注
ECML-PKDD 2025