Core Concepts
동적 그래프 표현 학습을 위해 엣지 시간 상태를 명시적으로 모델링하고, 구조 강화 트랜스포머를 통해 그래프 구조와 동적 특성을 동시에 학습하는 새로운 프레임워크를 제안한다.
Abstract
이 논문은 동적 그래프 표현 학습을 위한 새로운 프레임워크인 Recurrent Structure-reinforced Graph Transformer (RSGT)를 제안한다. RSGT는 다음과 같은 핵심 특징을 가진다:
엣지 시간 상태 모델링: RSGT는 엣지의 등장, 지속, 소멸 등 시간에 따른 엣지 상태 변화를 다른 엣지 유형과 가중치로 명시적으로 모델링한다. 이를 통해 엣지 시간 상태가 노드 표현 학습에 미치는 영향을 반영한다.
구조 강화 그래프 트랜스포머: RSGT는 그래프 구조와 엣지 시간 상태를 동시에 학습할 수 있는 구조 강화 그래프 트랜스포머를 제안한다. 이를 통해 국소적 및 전역적 구조 특성과 동적 특성을 효과적으로 학습할 수 있다.
실험 결과: RSGT는 4개의 실제 데이터셋에서 동적 링크 예측 작업에서 기존 방법들을 크게 능가하는 성능을 보였다. 이는 RSGT의 우수한 성능과 동적 그래프 분석에의 활용 가능성을 입증한다.
Stats
엣지의 등장, 지속, 소멸 등 시간에 따른 엣지 상태 변화를 다른 엣지 유형과 가중치로 모델링한다.
그래프 구조와 엣지 시간 상태를 동시에 학습할 수 있는 구조 강화 그래프 트랜스포머를 제안한다.
4개의 실제 데이터셋에서 동적 링크 예측 작업에서 기존 방법들을 크게 능가하는 성능을 보였다.