Core Concepts
동적 그래프에서 새로운 연결이 추가될 때, 기존 접근법들은 모든 이웃 노드의 임베딩을 즉시 업데이트하지만, 이는 노이즈가 있거나 오래된 링크가 포함된 경우 신뢰할 수 없고 모델 성능 저하를 초래할 수 있다. Ada-DyGNN은 강화 학습을 통해 어떤 노드의 임베딩을 업데이트할지 적응적으로 결정함으로써 강건한 노드 임베딩을 학습할 수 있다.
Abstract
이 논문은 동적 그래프 신경망을 위한 강건한 지식 적응 프레임워크인 Ada-DyGNN을 제안한다. 기존 접근법들은 새로운 연결이 추가될 때 모든 이웃 노드의 임베딩을 즉시 업데이트하지만, 이는 노이즈가 있거나 오래된 링크가 포함된 경우 신뢰할 수 없고 모델 성능 저하를 초래할 수 있다.
Ada-DyGNN은 강화 학습을 통해 어떤 노드의 임베딩을 업데이트할지 적응적으로 결정한다. 구체적으로:
시간 인지 주의 집계 모듈을 통해 상호작용 메시지를 계산한다.
강화 학습 기반 이웃 선택 모듈에서 상태, 행동, 보상을 정의하여 어떤 노드의 임베딩을 업데이트할지 결정한다.
보상 함수는 지역 구조의 안정성을 장려하도록 설계되었다.
이를 통해 Ada-DyGNN은 동적 그래프에서 강건한 노드 임베딩을 학습할 수 있다.
Stats
새로운 연결이 추가될 때 기존 접근법들은 모든 이웃 노드의 임베딩을 즉시 업데이트한다.
노이즈가 있거나 오래된 링크가 포함된 경우 이러한 접근법은 신뢰할 수 없고 모델 성능 저하를 초래할 수 있다.