基于可学习视图生成器的动态图对比学习框架LDGC：提升噪声抑制与分布均衡能力

【编辑推荐】针对动态图对比学习中数据分布失衡和时序噪声干扰的难题，Mingrui Zhu团队提出基于可学习视图生成器的LDGC框架。该研究通过自适应生成增强视图（Learnable View Generator）融合时序衰减与节点活跃度加权机制，显著降低噪声影响并改善分布不均衡问题。实验表明，LDGC在动态链接预测任务中超越现有方法，为动态图自监督学习提供新范式。

　　

在交通系统、社交网络等复杂场景中，动态图（Dynamic Graph）能有效建模实体间随时间演化的关系。然而，现有动态图表示学习方法面临两大挑战：一是传统图神经网络（GNN）依赖大量标注数据，易受对抗攻击；二是基于规则的数据增强策略难以区分真实动态变化与随机噪声，导致模型在活跃节点上过拟合。更棘手的是，动态图中普遍存在的数据分布失衡问题，使得模型对稀疏区域泛化能力不足。

为解决这些问题，研究人员开发了基于可学习视图生成器的动态图对比学习框架LDGC。该框架创新性地将视图生成器与自适应对比机制结合：首先通过可训练的生成器动态调整节点连接（概率分布融合边时间戳和属性），生成保留关键时序特征的增强视图；其次引入时间衰减函数和节点活跃度权重，优化对比目标函数。实验证明，LDGC在MathOverflow等6个真实数据集上的动态链接预测任务中，准确率显著优于基线模型。相关成果发表于《Knowledge-Based Systems》，为动态图自监督学习提供了噪声鲁棒性强、分布适应性好的新工具。

关键技术包括：1）基于图注意力网络（GAT）的可学习视图生成器；2）融合时序信息的动态节点表征（Time Decay Function）；3）节点活跃度加权对比损失（Activity Weighting Mechanism）；4）端到端的动态链接预测联合优化架构。

【研究结果】

1. 动态图表示学习：LDGC通过离散化时间切片捕捉动态图演化规律，相比连续时间方法更适用于大规模网络。
2. 可学习视图生成：生成器通过注意力权重动态调整节点连接强度，实验显示其增强视图比随机掩码策略保留更多语义信息（边保留率提升19.3%）。
3. 时序-活跃度联合优化：引入指数衰减时间函数e^-λt
   和活跃度系数，使稀疏节点对比损失权重增加47%，有效缓解数据偏斜。
4. 跨领域验证：在CollegeMsg社交网络和UCI消息数据集上，LDGC的AUC分别达到0.892和0.867，较最优基线提升5.2%和6.8%。

【结论与意义】
该研究首次将可学习生成器引入动态图对比学习，其创新性体现在三方面：1）通过数据驱动的视图生成替代人工规则，降低时序噪声敏感性；2）时空-活跃度多维信息融合机制为分布不均衡问题提供通用解决方案；3）框架可扩展至不同动态网络场景。值得注意的是，LDGC在保持轻量级架构（参数量仅增加3.7%）的同时，显著提升了对长尾节点的表征能力，这对推荐系统、异常检测等实际应用具有重要价值。未来工作可探索生成器与时空图卷积网络（STGCN）的深层结合。