Uncertainty-aware dynamic graph contrastive learning for node classification and anomaly detection

Long Xu

doi:10.1016/j.engappai.2026.115181

Uncertainty-aware dynamic graph contrastive learning for node classification and anomaly detection

2026-05-01

0

PRE

AI

DOI：10.1016/j.engappai.2026.115181

原文链接

原文求助

摘要

En 中文

动态图对比学习方法通常假设节点在时间上保持稳定结构角色。然而，现实网络往往违反这一假设：节点可能改变其连接模式，在长期不活跃后重新激活，或经历局部结构重组。这种异质性不仅削弱了时间一致性约束，还导致易变节点产生不可靠的负样本信号。本研究表明，时间对比的可靠性差异显著，不应统一对待。我们提出了一种基于时间对比不确定性的动态图对比学习框架，该框架直接从图结构量化跨时间对比的可靠性。低时间对比不确定性的节点表现出稳定结构模式，而高时间对比不确定性的节点则表明易变演化。利用时间对比不确定性，所提出的框架整合了三种机制：（1）自适应时间采样，（2）不确定性加权的对比目标，以及（3）组级原型校准以修正估计偏差。我们理论证明了时间对比不确定性加权在互信息下界方面具有有利的权衡，而原型校准提供了控制时间漂移的上界。在五个节点分类基准数据集和七个异常检测数据集（包括两个含现实世界异常标签的数据集）上的广泛实验表明，所提出的框架持续优于现有最佳方法，在包含高比例结构易变节点的数据集上表现出显著改进。

Keyword:

Dynamic graph learning

Contrastive learning

Temporal uncertainty

Reliable contrastive pairs

Anomaly detection

Uncertainty-aware dynamic graph contrastive learning for node classification and anomaly detection

摘要

期刊

机构

引用论文