Dynamic Graph Transformer with Correlated Spatial-Temporal Positional Encoding

学习连续时间动态图(CDTGs)的有效表示已经引起了广泛的研究兴趣，主要是由于它在建模节点之间复杂交互方面具有强大的能力。在CDTGs中进行表示学习的一个基本和关键要求是适当地估计和保留接近性。然而，由于CDTGs的稀疏和演化特性，高阶接近性固有的时空属性仍然很少被探索。尽管它很重要，但由于个性化交互强度估计的计算密集性和CDTGs的动态属性，这个属性带来了重大的挑战。为此，我们提出了一种新颖的相关时空位置编码，它在泊松点过程的弱假设下，包含一个无参数的个性化交互强度估计。在此基础上，我们引入了动态图变换器和相关时空位置编码(CorDGT)，它有效地保留了CDTGs中演化的时空高阶接近性，用于节点表示学习。对七个小规模和两个大规模数据集的广泛实验表明了所提出的CorDGT的卓越性能和可扩展性。

本论文旨在解决连续时间动态图（CTDGs）中节点表示学习中的高阶接近度问题，即如何有效地估计和保留空间-时间高阶接近度。

本文提出了一种新颖的相关空间-时间位置编码方法，结合基于泊松点过程的无参数个性化交互强度估计，提出了一种高效保留空间-时间高阶接近度的动态图变换器（CorDGT）。

本文在七个小型和两个大型数据集上进行了广泛的实验，证明了所提出的CorDGT方法的优越性和可扩展性。此外，本文还提供了开源代码。

近年来，许多学者已经开始研究CTDGs中节点表示学习的问题，相关的研究包括"Continuous-Time Dynamic Network Embeddings"和"Dynamic Graph Convolutional Networks"等。