時間的ダイナミクスの解放：変分グラフアテンションの向上

本研究では、変分グラフアテンションダイナミクス（VarGATDyn）を紹介し、静的グラフ専用の既存モデルが不十分である動的グラフ表現学習の複雑さに対処します。VarGATDynは、注意メカニズムをマルコフ仮定と融合させ、時間的一貫性の維持とRNNベースのフレームワークに典型的な大規模データセット要件の課題を克服します。モデルは、変分グラフオートエンコーダ（VGAE）フレームワーク、グラフアテンションネットワーク（GAT）、およびガウス混合モデル（GMM）の強みを活用し、動的グラフの時間的および構造的な複雑さを巧みにナビゲートします。GMMの戦略的な適用により、モデルはマルチモーダルパターンを処理し、以前の分布と推定された事後分布の不一致を修正します。革新的なマルチラーニング手法がモデルの適応性を高め、包括的で効果的な学習プロセスを導きます。実証テストは、さまざまなデータセットにおける動的リンク予測におけるVarGATDynの優位性を強調し、マルチモーダル分布と時間的ダイナミクスを捉える能力を際立たせています。