시간 네트워크에서 동적 링크 예측을 위한 대조적 표현 학습

진화하는 네트워크는 과학과 공학의 다양한 시스템에서 나타나는 복잡한 데이터 구조입니다. 이러한 네트워크의 구조적 연결성과 시간적 진화를 인코딩하는 표현력을 갖춘 표현을 학습하는 것은 후속 데이터 분석 및 머신 러닝 응용 프로그램에 필수적입니다. 본 연구에서는 시간적 네트워크의 표현을 학습하기 위한 자기 감독 방법을 소개하고, 이러한 표현을 동적 링크 예측 작업에 활용합니다. 시간적 네트워크는 일반적으로 연속적인 시간 영역에서의 상호 작용 시퀀스로 특징지어지지만, 본 연구에서는 이들의 이산 시간 버전에 초점을 맞춥니다. 이는 계산 복잡도와 상호 작용의 정확한 모델링 사이의 균형을 맞추는 데 도움이 됩니다. 우리는 시간 존중 경로를 통해 정보 흐름을 모델링하기 위한 순환 메시지 전달 신경망 아키텍처를 제안합니다. 우리 방법의 주요 특징은 링크 예측, 그래프 재구성, 그리고 대조적 예측 코딩 손실 함수를 결합한 모델의 대조적 학습 목표입니다. 대조적 예측 코딩 목표는 입력 그래프의 지역 및 전역 스케일에서 infoNCE 손실 함수를 사용하여 구현됩니다. 우리는 경험적으로 추가적인 자기 감독 손실 함수가 학습을 강화하고 동적 링크 예측 작업에서 모델 성능을 개선함을 보여줍니다. 제안된 방법은 Enron, COLAB, 그리고 Facebook 데이터셋에서 테스트되었으며 기존 모델들보다 우수한 결과를 보였습니다.