动态图表示学习的解耦信息瓶颈：时间不变与时间可变特性的分离建模

本文提出了一种基于信息瓶颈(IB)理论的动态图表示学习方法(DDGIB)，通过将动态图嵌入时间不变和时间可变两个解耦表示空间，解决了现有方法在时序依赖性建模中的语义混叠问题。该方法通过变分优化实现了无监督的宏观解耦(macro-disentanglement)，理论证明了表示充分性和解耦性，在多个下游任务中达到SOTA性能。

　　

Highlight

动态图表示学习领域近期取得显著进展，但现有方法将动态图视为感知整体，在纠缠特征空间中学习表示，忽略了数据固有的时序依赖性差异。动态图演化由二分特性决定：时间不变属性（如用户的持久兴趣）和时间可变属性（如商品价格波动）。我们提出的解耦动态图信息瓶颈(DDGIB)方法，通过IB理论将动态图嵌入两个宏观解耦子空间：时间不变表示空间封装跨时间稳定特性，时间可变表示空间捕捉时序波动特性。

Introduction

现实世界中的图数据（如社交网络、交通网络）具有动态演化特性。与传统静态图不同，动态图的无监督表示学习(UGRL)面临时序依赖建模的挑战。现有方法主要分为连续时间（需精细时间戳）和离散时间（基于网络快照）两种范式，后者更符合实际隐私保护需求。但当前方法未能区分时间不变/可变特性，导致表示空间语义纠缠。我们创新性地采用时间信息作为归纳偏置，通过IB理论实现宏观解耦，避免维度级解耦所需的外部知识依赖。

Methodology

基于k阶马尔可夫假设，DDGIB将动态图与表示的互信息分解为：

1. 1.

   时间不变项：跨时间共享的稳定特性

2. 2.

   时间可变项：时序波动特性

   通过变分下界优化目标函数，采用时序图神经网络同时捕获结构和时序信息。

Theoretical Analysis

定理2证明：

• •

  充分性：对于任意下游任务Y，最优表示Z^i*能充分保留动态图信息

• •

  宏观解耦：包含相互解耦（时间不变/可变空间正交）和时序解耦（跨时间片段独立性）

Experiments

在多个基准数据集验证：

RQ1：节点分类等任务性能超越基线模型

RQ2：t-SNE可视化证实表示空间的时序特性分离

RQ3：消融实验显示各模块贡献度

Conclusion

DDGIB首次将IB理论引入动态UGRL领域，通过互信息分解实现无监督宏观解耦，为动态图分析提供新的理论框架和实践工具。未来可扩展至多尺度时序特性建模。

（注：严格遵循翻译要求，去除文献引用标识，保留专业术语如IB/UGRL等英文缩写，使用^{/_{标注上下标，未使用SVG/HTML转义符）}}