.png){kind=icon}
返回
NEU: Continuous-time memory evolution for temporal interaction graph networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.108998.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）已成为建模复杂关系数据的基础，但大多数标准架构假设图拓扑是静态的。然而，在实际的时序交互图（TIGs）中，节点和边却持续演化。近期基于记忆增强的时序GNNs通过为每个节点维护一个可学习的记忆来应对这一问题，该记忆仅在交互发生时离散更新。尽管基于记忆的模型（如TGN和TGAT）将时间编码作为标记节点记忆更新时间的特征，但经过的时间仅作为静态输入特征来调节下一次嵌入更新。记忆本身仍被假设在两次事件之间保持不变，这意味着节点状态通过一系列瞬时跳跃演化。这一事件驱动假设忽略了两个关键时间现象：（1）自然衰减——节点的潜在状态在长期不活跃期间逐渐失去相关性；（2）短期漂移——最新的邻居施加的影响是平滑而非突然衰减的。因此，稀疏活跃节点的记忆变得陈旧。我们只能获得事件发生时的节点记忆，但不能获取任意时刻的记忆。离散更新范式无法推断节点在任意中间时间戳的状态，限制了准确性和时间一致性。为解决这些限制，我们引入自然演化单元（NEU），该模块在嵌入读出前插入一个连续时间记忆演化阶段。NEU将时间差视为可学习常微分方程的动态驱动而非辅助输入，使记忆在事件间平滑漂移和衰减。这带来两个优势：（1）节点状态可在任意时间戳连续查询，提供连续时间推断和可解释性；（2）我们将时间差建模从“静态输入”升级为“动态演化驱动”，使ODE驱动的动力学主导时间建模并减少对可学习时间编码的依赖。因此，我们采用固定时间编码来控制训练稳定性，从而进一步提升实验结果。我们在五个公开数据集上进行了全面实验，结果表明NEU始终优于基于记忆的基线模型，提升了AUC和AP。这表明我们的方法对于缓解记忆老化、增强长期预测至关重要，为动态图上的表示学习提供了简单而有效的新视角。
Keyword:
Temporal graph networks
Memory evolution
Continuous-time modeling
Node state decay
Time encoding
