Фреймворк обучения темпоральных графовых нейросетевых эмбеддингов с помощью извлечения причинно-следственной информации в результате анонимных блужданий по графу

Многие графовые задачи машинного обучения, такие как предсказание связей между вершинами и классификация вершин, обычно решаются с помощью подхода обучения представлений (эмбеддингов). Каждая вершина или ребро в нейросети кодируется с помощью эмбеддинга.
Хотя существует множество нейросетевых методов обучения эмбеддингов для статических графов, задача значительно усложняется при анализе динамической (т.е. временной) сети. В этой статье мы предлагаем новый подход к динамическому нейросетевому обучению эмбеддингов, основанный на Темпоральных Графовых Нейросетях с использованием настраиваемой функции генерации сообщений путем извлечения причинно-следственной информации в результате анонимных блужданий по графу. Мы предлагаем фреймворк, который является бенчмарком по оценке качества эмбеддингов, полученных с помощью Темпоральных Графовых Нейросетей.
Эта работа представляет собой первый фреймворк для сравнения представлений, полученных с помощью темпроральных графовых нейросетей, в применении к различным задачам машинного обучения, включая такие задачи как предсказание связей между вершинами и классификация вершин. Предлагаемый подход превосходит все современные известные модели в данном домене. В работе также обосновывается их различие на основе оценок в различных задачах классификации трансдуктивных/индуктивных ребер/вершин. Кроме того, мы показывваем существенное превышение в качестве в реальных задачах, для этого мы применили эмбеддинги, посчитанные нашим методом на транзакционных данных одного из ведущих европейских банков, к различным задачам, включая кредитный скоринг.