Key points are not available for this paper at this time.
خلال السنوات القليلة الماضية، تحول البحث في التعلم العميق للرسوم البيانية من الرسوم البيانية الثابتة إلى الرسوم البيانية الزمنية استجابةً للأنظمة المعقدة في العالم الحقيقي التي تُظهر سلوكيات ديناميكية. في الممارسة العملية، يتم صياغة الرسوم البيانية الزمنية كسلسلة مرتبة من لقطات الرسوم البيانية الثابتة التي تم ملاحظتها في نقاط زمنية منفصلة. كانت نماذج التسلسل مثل الشبكات العصبية المتكررة (RNNs) أو المحولات (Transformers) لفترة طويلة هي الشبكات الأساسية السائدة لنمذجة هذه الرسوم البيانية الزمنية. ومع ذلك، على الرغم من النتائج الواعدة، تواجه الشبكات العصبية المتكررة صعوبة في الاعتماديات طويلة المدى، في حين أن المحولات تُثقل تعقيد الحساب الثنائي. مؤخرًا، جذبت نماذج الحالة في الفضاء (SSMs)، التي تُؤطر كممثلين متقطعين لنظام ديناميكي خطي مستمر أساسي، اهتمامًا كبيرًا وحققت تقدمًا كبيرًا في نمذجة التسلسلات المستقلة. في هذا العمل، نقوم بإجراء تحقيق مبدئي يمدد نظرية SSM إلى الرسوم البيانية الزمنية من خلال دمج المعلومات الهيكلية في هدف التقريب عبر اعتماد مصطلح تنظيم لابلاس. النظام المستمر الناشئ يقدم تحديات خوارزمية جديدة، مما يتطلب منا تطوير GraphSSM، وهو نموذج حالة فضاء رسومي لنمذجة ديناميات الرسوم البيانية الزمنية. تُظهر نتائج التجارب الواسعة فعالية إطار عمل GraphSSM عبر مجموعة متنوعة من مقاييس الرسوم البيانية الزمنية.
درس لي وآخرون (سون) هذا السؤال.