Trajectory Encoding Temporal Graph Networks

要約

時間グラフネットワーク（TGN）は、リンク予測やノード分類などの動的グラフタスクで大きな成功を示しています。
両方のタスクは、モデルが既知のノード間のリンクを予測し、誘導設定で、以前に見えないノードに学習したパターンを一般化する導入設定で構成されます。
既存のTGN設計は、これらのデュアルシナリオの下でジレンマに直面しています。
匿名のTGNは、時間的情報と構造情報のみに依存しており、強力な帰納的一般化を提供しますが、既知のノードを区別するのに苦労しています。
対照的に、非匿名のTGNはノード機能を活用して、トランスダクティブタスクに優れているが、新しいノードに適応できない。
この課題に対処するために、TGN（TETGN）をコードする軌跡を提案します。
私たちのアプローチでは、自動的に拡張可能なノード識別子（ID）が学習可能な時間的位置機能として導入され、これらのIDを通過するメッセージを実行して、各ノードの歴史的コンテキストをキャプチャします。
この軌跡を意識したモジュールをマルチヘッドの注意を使用して標準のTGNと統合することにより、TETGNは、導入精度と誘導的一般化と効果的にバランスを取ります。
3つの実際のデータセットでの実験結果は、TETGNがリンク予測タスクとノード分類タスクの両方の強力なベースラインを大幅に上回ることを示しており、動的グラフ学習の匿名モデルと非匿名モデルの利点を統合する能力を示しています。

要約(オリジナル)

Temporal Graph Networks (TGNs) have demonstrated significant success in dynamic graph tasks such as link prediction and node classification. Both tasks comprise transductive settings, where the model predicts links among known nodes, and in inductive settings, where it generalises learned patterns to previously unseen nodes. Existing TGN designs face a dilemma under these dual scenarios. Anonymous TGNs, which rely solely on temporal and structural information, offer strong inductive generalisation but struggle to distinguish known nodes. In contrast, non-anonymous TGNs leverage node features to excel in transductive tasks yet fail to adapt to new nodes. To address this challenge, we propose Trajectory Encoding TGN (TETGN). Our approach introduces automatically expandable node identifiers (IDs) as learnable temporal positional features and performs message passing over these IDs to capture each node’s historical context. By integrating this trajectory-aware module with a standard TGN using multi-head attention, TETGN effectively balances transductive accuracy with inductive generalisation. Experimental results on three real-world datasets show that TETGN significantly outperforms strong baselines on both link prediction and node classification tasks, demonstrating its ability to unify the advantages of anonymous and non-anonymous models for dynamic graph learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google