مقاله شبکه عصبی نمودار دینامیکی خارج از توزیع با مداخله جدا شده و ارتقاء غیرثابت

چکیده

Dynamic graph neural networks (DyGNNs) have demonstrated powerful predictive abilities by exploiting graph structural and temporal dynamics. However, the existing DyGNNs fail to handle distribution shifts, which naturally exist in dynamic graphs, mainly because the patterns exploited by DyGNNs may be variant with respect to labels under distribution shifts. In this paper, we propose Disentangled Intervention-based Dynamic graph Attention networks with Invariance Promotion (I-DIDA) to handle spatio-temporal distribution shifts in dynamic graphs by discovering and utilizing invariant patterns, i.e., structures and features whose predictive abilities are stable across distribution shifts. Specifically, we first propose a disentangled spatio-temporal attention network to capture the variant and invariant patterns. By utilizing the disentangled patterns, we design a spatio-temporal intervention mechanism to create multiple interventional distributions and an environment inference module to infer the latent spatio-temporal environments, and minimize the variance of predictions among these intervened distributions and environments, so that our model can make predictions based on invariant patterns with stable predictive abilities under distribution shifts. Extensive experiments demonstrate the superiority of our method over state-of-the-art baselines under distribution shifts. Our work is the first study of spatio-temporal distribution shifts in dynamic graphs, to the best of our knowledge.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار پویا (DYGNN) با بهره برداری از دینامیک ساختاری و زمانی نمودار ، توانایی های پیش بینی قدرتمندی را نشان داده اند.با این حال ، dygnn های موجود قادر به کنترل شیفت های توزیع نیستند ، که به طور طبیعی در نمودارهای پویا وجود دارد ، عمدتاً به این دلیل که الگوهای بهره برداری شده توسط dygnns ممکن است با توجه به برچسب های تحت تغییر توزیع متفاوت باشد.در این مقاله ، ما شبکه های توجه نمودار پویا مبتنی بر مداخله را با ارتقاء عدم تغییر (I-DIDA) پیشنهاد می کنیم تا با کشف و استفاده از الگوهای ثابت ، ساختارها و ویژگی هایی که توانایی های پیش بینی کننده آن در سراسر پایدار است ، تغییرات توزیع فضایی و زمانی را در نمودارهای پویا انجام دهیم.تغییر توزیع.به طور خاص ، ما ابتدا یک شبکه توجه فضا-زمانی متمایز شده را برای ضبط الگوهای مختلف و ثابت پیشنهاد می کنیم.ما با استفاده از الگوهای جدا نشده ، ما یک مکانیسم مداخله فضایی و زمانی را برای ایجاد توزیع های مداخله متعدد و یک ماژول استنتاج محیط برای استنباط محیط های فضایی و زمانی نهفته ، و به حداقل رساندن واریانس پیش بینی ها در بین این توزیع ها و محیط های مداخله شده ، طراحی می کنیم.می تواند پیش بینی هایی را بر اساس الگوهای ثابت با توانایی های پیش بینی پایدار تحت تغییر توزیع انجام دهد.آزمایش های گسترده برتری روش ما را نسبت به خط مقدمات پیشرفته تحت تغییر توزیع نشان می دهد.کار ما اولین مطالعه در مورد تغییرات توزیع فضایی-زمانی در نمودارهای پویا ، به بهترین دانش ما است.