ScaDyG: 大規模動的グラフ学習のための新しいパラダイム

科学分野:

• 機械学習
• グラフニューラルネットワーク
• 動的システム

背景:

• 動的グラフ（DG）は時間とともに進化する関係をモデル化し、多くの実世界のアプリケーションにとって重要です。
• 既存の動的グラフニューラルネットワーク（DGNN）は、履歴データの増加によりスケーラビリティの課題に直面しています。
• 業界アプリケーションでは、下流タスクのためのDGの効果的なエンコーディングが必要です。

研究 の 目的:

• 新しい時間認識型スケーラブル学習パラダイムであるScaDyGを動的グラフに提案すること。
• 従来のDGNNのスケーラビリティの制限に対処すること。
• 下流タスクのためのDGエンコーディングの効率とパフォーマンスを向上させること。

主な方法:

• 時間認識型トポロジー再定式化（TTR）：履歴インタラクションを時間ステップにセグメント化し、重みなしの時間認識型伝播を実現します。
• 動的テンポラルエンコーディング（DTE）：指数関数を使用して詳細な時間エンコーディングを統合します。
• ハイパーネットワーク駆動メッセージ集約：ハイパーネットワークを使用してノード表現の適応的な時間的融合を実現します。

主要な成果:

• ScaDyGは、12のデータセットで最先端（SOTA）の方法と同等またはそれ以上のパフォーマンスを示しました。
• ノードレベルとリンクレベルの両方の下流タスクで強力な結果を達成しました。
• 既存の方法と比較して、学習可能なパラメータが少なく、計算効率が高いことが示されました。

結論:

• ScaDyGは、動的グラフ上の学習のための効果的かつ効率的なソリューションを提供します。
• 提案された方法論は、DGNNのスケーラビリティの問題を正常に解決します。
• このアプローチは、実世界のDGアプリケーションにとって有望な方向性を提供します。