Long Range Propagation on Continuous-Time Dynamic Graphs

学习连续时间动态图(C-TDGs)需要准确地对不规则采样事件流的时空信息进行建模。虽然最近提出了许多方法，但我们发现大多数基于消息传递、循环或自注意力的方法在长距离任务上表现不佳。这些任务需要将发生在“远离”当前事件的信息进行相关，无论是空间上(高阶节点信息)还是时间维度上(过去发生的事件)。为了解决长距离依赖性，我们引入了连续时间图反对称网络(CTAN)。我们的方法基于常微分方程框架，旨在实现信息的高效传播。在本文中，我们展示了CTAN的(i)长距离建模能力如何得到理论发现的支持，以及(ii)它在合成长距离基准和真实世界基准上的实证表现优于其他方法。我们的结果证明了CTAN在C-TDGs中传播长距离信息的能力，以及将长距离任务作为时间图模型评估的一部分的必要性。

论文旨在解决长距离依赖问题，即在连续时间动态图中，建立准确的空间-时间信息模型，以实现节点信息高阶相关性和时间相关性的建模。

文章提出了一种基于反对称网络的连续时间图模型，即CTAN。该模型基于常微分方程框架，旨在实现信息的高效传播和长距离依赖的建模。

文章通过理论和实验验证了CTAN在长距离依赖建模上的优越性，并提供了开源代码和数据集。实验结果表明，CTAN在合成和真实数据集上的表现优于其他方法。

最近的相关研究包括：《Temporal Graph Networks for Deep Learning on Dynamic Graphs》、《Continuous-Time Dynamic Network Embeddings》等。