SiGNN: A Spike-induced Graph Neural Network for Dynamic Graph Representation Learning

在动态图表示学习（DGRL）领域中，高效和全面地捕捉现实世界网络中的时间演变是至关重要的。脉冲神经网络（SNN）以其时间动态和低功率特性而闻名，在DGRL任务中提供了一种高效的时间处理解决方案。然而，由于SNN的脉冲信息编码机制，现有的使用SNN的DGRL方法在表示能力方面存在局限性。鉴于这个问题，我们提出了一个名为Spike-induced Graph Neural Network（SiGNN）的新框架，用于学习动态图上的增强空间时间表示。具体而言，通过创新的时间激活（TA）机制，实现了SNN和GNN的和谐集成。由于TA机制的好处，SiGNN不仅有效地利用了SNN的时间动态，而且还熟练地避开了脉冲二进制性所施加的表征限制。此外，利用SNN的固有适应性，我们探索了跨多个时间粒度的动态图中的演化模式的深入分析。这种方法有助于获得多尺度的时间节点表示。在各种真实世界的动态图数据集上进行的广泛实验表明，SiGNN在节点分类任务中具有优越的性能。

论文试图解决动态图表示学习中SNNs的表示能力不足的问题，提出一种新的框架SiGNN来增强动态图的时空表示能力。

SiGNN是一种将SNNs和GNNs结合的框架，通过创新的时间激活机制（TA）有效地利用SNNs的时间动态，同时巧妙地规避了脉冲二进制编码机制所施加的表示约束。

论文在多个真实动态图数据集上进行了广泛的实验，证明了SiGNN在节点分类任务中具有优越的性能。此外，论文还探索了多个时间粒度下动态图的演化模式，以获得多尺度的节点表示。

近年来，动态图表示学习领域有许多相关研究，如EvolveGCN、DynGEM、STGCN等。