ترجمه فارسی مقاله DyG-Mamba: مدلسازی فضایی حالت پیوسته بر روی نمودارهای پویا

چکیده

Dynamic graph learning aims to uncover evolutionary laws in real-world systems, enabling accurate social recommendation (link prediction) or early detection of cancer cells (classification). Inspired by the success of state space models, e.g., Mamba, for efficiently capturing long-term dependencies in language modeling, we propose DyG-Mamba, a new continuous state space model (SSM) for dynamic graph learning. Specifically, we first found that using inputs as control signals for SSM is not suitable for continuous-time dynamic network data with irregular sampling intervals, resulting in models being insensitive to time information and lacking generalization properties. Drawing inspiration from the Ebbinghaus forgetting curve, which suggests that memory of past events is strongly correlated with time intervals rather than specific details of the events themselves, we directly utilize irregular time spans as control signals for SSM to achieve significant robustness and generalization. Through exhaustive experiments on 12 datasets for dynamic link prediction and dynamic node classification tasks, we found that DyG-Mamba achieves state-of-the-art performance on most of the datasets, while also demonstrating significantly improved computation and memory efficiency.

چکیده به فارسی (ترجمه ماشینی)

یادگیری نمودار پویا با هدف کشف قوانین تکاملی در سیستم های دنیای واقعی ، فعال کردن توصیه های دقیق اجتماعی (پیش بینی پیوند) یا تشخیص زودرس سلولهای سرطانی (طبقه بندی).با الهام از موفقیت مدل های فضایی دولتی ، به عنوان مثال ، Mamba ، برای گرفتن کارآمد وابستگی های طولانی مدت در مدل سازی زبان ، ما Dyg-Mamba را پیشنهاد می کنیم ، یک مدل فضای جدید حالت مداوم (SSM) برای یادگیری نمودار پویا.به طور خاص ، ما برای اولین بار دریافتیم که استفاده از ورودی ها به عنوان سیگنال های کنترل برای SSM برای داده های شبکه پویا با زمان مداوم با فواصل نمونه برداری نامنظم مناسب نیست ، و در نتیجه مدل ها نسبت به اطلاعات زمان بی حس می شوند و فاقد خصوصیات عمومی هستند.الهام بخش از منحنی فراموشی Ebbinghaus ، که نشان می دهد حافظه وقایع گذشته به جای جزئیات خاص خود وقایع با فواصل زمانی ارتباط برقرار می کند ، ما مستقیماً از دهانه های زمان نامنظم به عنوان سیگنال های کنترل برای SSM برای دستیابی به استحکام و تعمیم قابل توجه استفاده می کنیم.از طریق آزمایش های جامع در 12 مجموعه داده برای پیش بینی پیوند پویا و وظایف طبقه بندی گره پویا ، دریافتیم که Dyg-Mamba در اکثر مجموعه داده ها به عملکرد پیشرفته می رسد ، در حالی که همچنین محاسبه قابل توجهی را بهبود می بخشد و راندمان حافظه را نشان می دهد.