동적 그래프에 대한 학습은 그래프의 진화하는 관계를 포착하는 것을 포함하여 주요한 도전 과제를 제기합니다. 정적 그래프에서 하이퍼볼릭 임베딩의 장점에 영감을 받아, 하이퍼볼릭 공간은 동적 그래프에서 복잡한 상호작용을 포착할 것으로 기대됩니다. 그러나 표준 접선 공간 매핑의 왜곡 오류로 인해 하이퍼볼릭 방법은 노이즈에 더 민감해지고 학습 능력이 감소합니다. 접선 공간의 왜곡을 해결하기 위해, 우리는 하이퍼볼릭 매니폴드에서 직접 작동하는 시간 그래프 네트워크인 HMPTGN을 제안했습니다. 이 논문에서는 하이퍼볼릭 임베딩을 기반으로 동적 그래프의 더 나은 표현을 학습하기 위해 주요 업데이트가 포함된 HMPTGN의 확장인 HMPTGN+ 아키텍처를 소개합니다. 우리의 프레임워크는 공간 종속성을 추출하기 위한 고차원 그래프 신경 네트워크, 인과성을 유지하면서 시간 패턴을 모델링하기 위한 확장 인과주의 주의 메커니즘, 동적 구조를 포착하기 위한 곡률 인식 메커니즘을 통합합니다. 광범위한 실험을 통해 시간 링크 예측 및 시간 새로운 링크 예측 작업 모두에서 최신 기술 기준보다 제안된 HMPTGN+ 프레임워크의 효과를 입증했습니다. 우리의 구현은 GitHub 저장소 https://github.com/quanlv9211/HMPTGNₚlus에서 확인할 수 있습니다.
Viet Cuong Ta(수요일)은 이 질문을 연구했습니다.