← 研踪 PaperTrail软件学报:jos:7746 · 记录 #1
DualScale: 用于同时捕捉局部和全局依赖的图神经网络
来源日期 2026-11-18
来源记录日期 2026-11-18
雷达观测 2026-11-18 14:10
摘要
动态图神经网络(dynamic graph neural network, DGNN)已广泛应用于社交网络分析、交通预测和推荐系统等领域. 然而, 现有方法主要依赖局部邻域信息聚合, 难以捕捉时间上邻近但结构上非直接相邻事件之间的依赖, 因而存在“过度局部化”问题. 为此, 提出DualScale, 一种协同建模局部依赖与全局依赖的动态图神经网络. DualScale在基于记忆的局部模块之外, 引入结合时间编码与交互频率感知的因果Transformer, 在满足时间因果约束的前提下, 联合刻画事件发生顺序、交互节奏及跨邻域依赖; 随后利用自适应路由模块动态融合局部表示与全局表示, 生成局部-全局双尺度节点表征, 从而有效地在多个时间尺度上实现对动态图中局部特征和全局演化规律的协同建模, 为动态图的表示学习提供了强大的框架支持, 对需要全面理解时序与全局交互的应用具有重要意义. 在12个链路预测数据集和3个边回归数据集上的实验结果表明, DualScale模型在8个数据集的链路预测任务中达到了最先进水平, 在边回归任务中均方根误差 (root mean square error, RMSE)最高降低了39.7%.
论文发现出处
这些页面提供论文线索,不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007746
观测到的版本
平台记录号代表本站观测到的元数据变化,不是作者修订号。来源日期仅到月份或年份时,按该月或该年首日存档。
记录 #1 · 2026-11-18 · 最新观测版本
DualScale: 用于同时捕捉局部和全局依赖的图神经网络
动态图神经网络(dynamic graph neural network, DGNN)已广泛应用于社交网络分析、交通预测和推荐系统等领域. 然而, 现有方法主要依赖局部邻域信息聚合, 难以捕捉时间上邻近但结构上非直接相邻事件之间的依赖, 因而存在“过度局部化”问题. 为此, 提出DualScale, 一种协同建模局部依赖与全局依赖的动态图神经网络. DualScale在基于记忆的局部模块之外, 引入结合时间编码与交互频率感知的因果Transformer, 在满足时间因果约束的前提下, 联合刻画事件发生顺序、交互节奏及跨邻域依赖; 随后利用自适应路由模块动态融合局部表示与全局表示, 生成局部-全局双尺度节点表征, 从而有效地在多个时间尺度上实现对动态图中局部特征和全局演化规律的协同建模, 为动态图的表示学习提供了强大的框架支持, 对需要全面理解时序与全局交互的应用具有重要意义. 在12个链路预测数据集和3个边回归数据集上的实验结果表明, DualScale模型在8个数据集的链路预测任务中达到了最先进水平, 在边回归任务中均方根误差 (root mean square error, RMSE)最高降低了39.7%.
查看此版本解读 →查看此版本原文 ↗