Robust Bayesian Dynamic Graph Embedding via Contrastive Learning

Pengfei Jiao

doi:10.1109/tbdata.2026.3695337

Robust Bayesian Dynamic Graph Embedding via Contrastive Learning

2026-05-20

0

PRE

AI

DOI：10.1109/tbdata.2026.3695337

原文链接

原文求助

摘要

En 中文

动态网络表示学习旨在创建能捕捉网络结构和时序演化模式低维节点嵌入。尽管基于贝叶斯深度学习的动态网络嵌入模型已展现出良好性能，但它们常因现实数据噪声问题导致结果准确性和鲁棒性不足。图表示学习中的对比学习通过从不同视角生成节点表示，已取得进展以提升模型鲁棒性和准确性。为应对上述挑战，本研究提出了一种结合贝叶斯深度学习与对比学习的新方法。该方法统一了历史条件变分图自编码器与拓扑保持的局部-全局对比及节点级跨视图InfoNCE，在保持条件先验以进行预测的同时，对生成式和判别式嵌入进行对齐。该设计通过将不确定性感知生成引入对比方法、为贝叶斯模型增加判别正则化和抗噪能力，解决了现有动态图模型的局限性，实现了下一时刻预测及在噪声图上的改进鲁棒性。在多样化真实网络上的广泛测试表明，本模型显著提升了动态图表示学习效果，为分析网络动态提供了更有效的解决方案。

Keyword:

Dynamic networks

network embedding

contrastive learning

Bayesian deep learning

Robust Bayesian Dynamic Graph Embedding via Contrastive Learning

摘要

期刊

机构

引用论文