ترجمه فارسی مقاله DyGMamba: مدل‌سازی کارآمد وابستگی زمانی بلندمدت روی گراف‌های پویای زمان پیوسته با مدل‌های فضای حالت

چکیده

Learning useful representations for continuous-time dynamic graphs (CTDGs) is challenging, due to the concurrent need to span long node interaction histories and grasp nuanced temporal details. In particular, two problems emerge: (1) Encoding longer histories requires more computational resources, making it crucial for CTDG models to maintain low computational complexity to ensure efficiency; (2) Meanwhile, more powerful models are needed to identify and select the most critical temporal information within the extended context provided by longer histories. To address these problems, we propose a CTDG representation learning model named DyGMamba, originating from the popular Mamba state space model (SSM). DyGMamba first leverages a node-level SSM to encode the sequence of historical node interactions. Another time-level SSM is then employed to exploit the temporal patterns hidden in the historical graph, where its output is used to dynamically select the critical information from the interaction history. We validate DyGMamba experimentally on the dynamic link prediction task. The results show that our model achieves state-of-the-art in most cases. DyGMamba also maintains high efficiency in terms of computational resources, making it possible to capture long temporal dependencies with a limited computation budget.

چکیده به فارسی (ترجمه ماشینی)

یادگیری بازنمایی های مفید برای نمودارهای دینامیکی زمان مداوم (CTDG) به دلیل نیاز همزمان به دهانه تعامل طولانی گره و درک جزئیات زمانی ظریف ، چالش برانگیز است.به طور خاص ، دو مشکل پدیدار می شوند: (1) رمزگذاری تاریخچه های طولانی تر به منابع محاسباتی بیشتری نیاز دارد ، و این باعث می شود که مدل های CTDG برای حفظ پیچیدگی محاسباتی پایین برای اطمینان از کارآیی بسیار مهم باشند.(2) در همین حال ، برای شناسایی و انتخاب مهمترین اطلاعات زمانی در زمینه گسترده ارائه شده توسط تاریخ های طولانی تر ، به مدل های قدرتمند تری نیاز است.برای پرداختن به این مشکلات ، ما یک مدل یادگیری بازنمایی CTDG به نام Dygmamba را پیشنهاد می کنیم که از مدل فضایی محبوب Mamba State (SSM) سرچشمه می گیرد.Dygmamba برای اولین بار از SSM سطح گره استفاده می کند تا دنباله تعامل گره تاریخی را رمزگذاری کند.یکی دیگر از SSM در سطح زمان برای بهره برداری از الگوهای زمانی پنهان در نمودار تاریخی استفاده می شود ، جایی که از خروجی آن برای انتخاب پویا اطلاعات مهم از تاریخ تعامل استفاده می شود.ما Dygmamba را به صورت تجربی در مورد کار پیش بینی پیوند پویا تأیید می کنیم.نتایج نشان می دهد که مدل ما در اکثر موارد به پیشرفته ترین پیشرفت می رسد.Dygmamba همچنین از نظر منابع محاسباتی راندمان بالایی را حفظ می کند ، و این امکان را فراهم می کند که وابستگی های زمانی طولانی را با بودجه محاسبات محدود ضبط کنید.