TI-ODE: Un Nuovo Approccio per l'Apprendimento di Rappresentazioni di Grafi Dinamici

I ricercatori propongono le Time-varying Interaction Graph Ordinary Differential Equations (TI-ODE) per affrontare le limitazioni delle attuali ODE neurali per grafi nell'apprendimento di rappresentazioni di grafi dinamici. Le attuali ODE neurali per grafi utilizzano un meccanismo di message passing unificato, assumendo che le interazioni tra nodi condividano la stessa funzione in ogni istante, il che non riesce a catturare la diversità e la natura variabile nel tempo dei modelli di interazione. TI-ODE scompone la funzione di evoluzione in un insieme di funzioni di base di interazione apprendibili, ciascuna corrispondente a un tipo distinto di interazione tra nodi, combinate attraverso pesi apprendibili dipendenti dal tempo. Il metodo è dettagliato nel preprint arXiv 2604.24811.