HALO-GNN：用于动态社区检测的抗幻觉时序图神经网络

《Scientific Reports》：HALO-GNN: hallucination-resistant temporal graph neural networks for dynamic community detection

　　

摘要

时间图学习容易受到虚假结构动态的影响，这种现象是指短暂的噪声和临时性的扰动被夸大，形成具有欺骗性的社区结构变化。这样一来，社区划分就会变得不稳定且不一致，严重限制了时间图神经网络在处理流式数据及动态场景时的应用效果。我们提出了一种能够抵御这种虚假现象的学习框架，通过记忆引导的结构正则化方法来稳定时间表示。该框架通过参考历史结构来稳定节点嵌入，从而减少高频噪声带来的波动，同时保留与社区结构相一致的低频变化。在多种时间图基准测试中的详细评估表明，该方法在鲁棒性、时间一致性和抗扰动能力方面都有显著提升。这些结果强调了为实现可靠的动态社区检测，抵御虚假现象的重要性。