论文地址：[2006.10637] Temporal Graph Networks for Deep Learning on Dynamic Graphs (arxiv.org)
项目地址：GitHub - twitter-research/tgn: TGN: Temporal Graph Networks
作者提出了一种名为Temporal Graph Networks（TGNs）的新型深度学习框架，专门用于处理动态图数据。动态图是指图的结构或特征随时间变化的图，例如社交网络或生物互作网络。
1. 引言
- 图表示学习在多个领域取得了成功，但大多数方法假设图是静态的。
- 真实世界的交互系统通常是动态的，学习动态图是相对新颖的领域。
2. 背景
- 静态图由节点和边组成，图神经网络（GNN）通过消息传递机制来聚合邻居节点信息，生成节点嵌入。
- 动态图分为离散时间动态图（DTDG）和连续时间动态图（CTDG）。离散时间动态图（DTDG）是按时间间隔拍摄的静态图快照序列。连续时间动态图（CTDG）更通用，可以表示为事件的定时列表，其中可能包括边添加或删除、节点添加或删除以及节点或边特征转换。
- 我们的时态（多）图被建模为一系列带有时间戳的事件
3. Temporal Graph Networks (TGNs)
TGNs是为了处理连续时间动态图（CTDGs）而设计的，这类图可以用一系列时间标记的事件序列来表示。TGNs由以下几个核心模块组成：
顶部：嵌入模块使用时态图和节点的内存 （1） 生成。然后，使用嵌入来预测批量交互并计算损失 （2， 3）。
底部：这些相同的交互用于更新内存 （4， 5， 6）。这是一个简化的操作流程，可以防止在底部训练所有模块，因为它们不会接收梯度。第 3.2 节解释了如何更改操作流程以解决此问题，
3.1 核心模块
用于训练内存相关模块的 TGN 的操作流程。原始消息存储存储计算消息所需的原始信息，即消息函数的输入，我们称之为原始消息，用于过去由模型处理过的交互。这使得模型可以将交互带来的内存更新延迟到后续批次。首先，使用从前一批 （1、2、3） 中存储的原始消息计算出的消息来更新内存。然后可以使用刚刚更新的内存（灰色链接）（4）来计算嵌入。通过这样做，内存相关模块的计算直接影响损失 （5， 6），并且它们会接收梯度。最后，此批处理交互的原始消息存储在原始消息存储 （6） 中，以便在将来的批处理中使用。
记忆（Memory）：
- 每个节点
i都有一个状态向量si(t)，表示模型到目前为止所看到的状态。 - 当节点参与事件（例如与其他节点的交互或节点特征变化）时，状态向量会更新。
- 记忆的目的是以压缩格式表示节点的历史。
消息函数（Message Function）：
- 对于涉及节点
i的每个事件，计算一个消息以更新i的状态。 - 消息函数
msgs,msgd, 和msgn是可学习的函数，例如多层感知机（MLPs）。
消息聚合器（Message Aggregator）：
- 由于批处理的原因，同一节点可能在同一批中涉及多个事件。
- 使用聚合函数
agg来合并针对同一节点的多个消息。
记忆更新器（Memory Updater）：
- 节点的记忆在每次涉及该节点的事件后更新。
- 更新函数
mem可以是例如长短期记忆网络（LSTM）或门控循环单元（GRU）这样的循环神经网络。
嵌入模块（Embedding）：
- 嵌入模块用于生成节点在任何时间
t的时序嵌入zi(t)。 - 嵌入模块的目的是避免所谓的记忆陈旧问题，即节点长时间没有参与事件时，其记忆可能变得过时。
3.2 训练
TGN的训练策略需要解决记忆相关模块（消息函数、消息聚合器和记忆更新器）不直接影响损失函数，因此它们不会直接获得梯度的问题。为了解决这个问题，论文提出了一种训练流程，其中包括：
- 使用Raw Message Store来存储过去批次中处理的交互的原始信息。
- 在预测当前批次的交互之前，使用这些存储的信息来更新记忆。
- 这样，记忆相关的模块就可以通过影响损失函数来获得梯度。
4. 相关工作
- 论文回顾了早期关于DTDGs的模型，包括聚合快照、张量分解和RNNs等方法。
- 近期的工作开始关注CTDGs，例如使用RNNs更新节点表示。
5. 实验
- 使用Wikipedia、Reddit和Twitter数据集进行实验，关注未来边缘预测和动态节点分类任务。
- 与现有的连续时间动态图学习方法和静态图方法进行比较。
6. 结论
- TGN是一个通用框架，用于学习连续时间动态图，在多个任务和数据集上取得了最先进的结果，并且比以前的方法更快。
