ScaDyG: Un Nuevo Paradigma para el Aprendizaje de Grafos Dinámicos a Gran Escala

Área de la Ciencia:

• Aprendizaje Automático
• Redes Neuronales de Grafos
• Sistemas Dinámicos

Sus antecedentes:

• Los grafos dinámicos (DGs) modelan relaciones que evolucionan con el tiempo, cruciales para muchas aplicaciones del mundo real.
• Las redes neuronales de grafos dinámicos (DGNN) existentes enfrentan desafíos de escalabilidad debido al crecimiento de datos históricos.
• Las aplicaciones industriales requieren una codificación eficiente de los DG para tareas posteriores.

Objetivo del estudio:

• Proponer ScaDyG, un novedoso paradigma de aprendizaje escalable y consciente del tiempo para grafos dinámicos.
• Abordar las limitaciones de escalabilidad de las DGNN tradicionales.
• Mejorar la eficiencia y el rendimiento en la codificación de DG para tareas posteriores.

Principales métodos:

• Reformulación de la topología consciente del tiempo (TTR): Segmenta las interacciones históricas en pasos de tiempo para una propagación consciente del tiempo y sin pesos.
• Codificación temporal dinámica (DTE): Integra la codificación temporal de grano fino utilizando funciones exponenciales.
• Agregación de mensajes impulsada por hiperredes: Emplea una hiperred para la fusión temporal adaptativa de representaciones de nodos.

Principales resultados:

• ScaDyG demuestra un rendimiento comparable o superior a los métodos del estado del arte (SOTA) en 12 conjuntos de datos.
• Logró resultados sólidos tanto en tareas de nivel de nodo como de nivel de enlace posteriores.
• Exhibió menos parámetros aprendibles y una mayor eficiencia computacional en comparación con los métodos existentes.

Conclusiones:

• ScaDyG ofrece una solución eficaz y eficiente para el aprendizaje en grafos dinámicos.
• Los métodos propuestos abordan con éxito los problemas de escalabilidad en las DGNN.
• El enfoque proporciona una dirección prometedora para aplicaciones de DG en el mundo real.