DyGPrompt: Learning Feature and Time Prompts on Dynamic Graphs

要約

動的グラフは、ソーシャルネットワーク、オンライン学習プラットフォーム、クラウドソーシングプロジェクトなど、エンティティ間の進化する相互作用を捉える。動的グラフのモデリングには、動的グラフニューラルネットワーク（DGNN）が主流技術として登場している。しかし、DGNNは一般的にリンク予測タスクで事前学習されており、ノード分類のような下流タスクの目的とは大きな隔たりがある。このギャップを埋めるために、プロンプトベースの学習がグラフ上で注目を集めているが、既存の取り組みのほとんどは静的グラフに焦点を当て、動的グラフの進化を無視している。本稿では、動的グラフモデリングのための新しい事前学習とプロンプト学習のフレームワークであるDYGPROMPTを提案する。DYGPROMPTは、事前学習とプロンプト学習のフレームワークである。次に、ノードと時間の特徴が相互に特徴付け合うことを認識し、下流タスクにおける進化するノード時間パターンをモデル化するために、デュアル条件ネットを提案する。最後に、DYGPROMPTを4つの公開データセットで徹底的に評価・分析する。

要約(オリジナル)

Dynamic graphs capture evolving interactions between entities, such as in social networks, online learning platforms, and crowdsourcing projects. For dynamic graph modeling, dynamic graph neural networks (DGNNs) have emerged as a mainstream technique. However, they are generally pre-trained on the link prediction task, leaving a significant gap from the objectives of downstream tasks such as node classification. To bridge the gap, prompt-based learning has gained traction on graphs, but most existing efforts focus on static graphs, neglecting the evolution of dynamic graphs. In this paper, we propose DYGPROMPT, a novel pre-training and prompt learning framework for dynamic graph modeling. First, we design dual prompts to address the gap in both task objectives and temporal variations across pre-training and downstream tasks. Second, we recognize that node and time features mutually characterize each other, and propose dual condition-nets to model the evolving node-time patterns in downstream tasks. Finally, we thoroughly evaluate and analyze DYGPROMPT through extensive experiments on four public datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL