【KDD2024】潜在条件扩散式数据增强用于连续时间动态图模型

连续时间动态图（CTDG）能够精确地模拟现实世界中不断演变的关系，因此在学术界和工业界引起了对动态图学习的高度兴趣。然而，现有的CTDG模型面临由噪声和有限的历史数据引起的挑战。图数据增强（GDA）作为一种关键解决方案浮现出来，但目前的方法主要关注静态图，难以有效应对CTDG固有的动态性。此外，这些方法通常需要大量的领域专业知识进行参数调整，并且缺乏增强效果的理论保证。为了解决这些问题，我们提出了Conda，一种针对CTDG量身定制的新型潜在扩散基GDA方法。Conda采用类似三明治的架构，结合了变分自编码器（VAE）和条件扩散模型，旨在为目标节点生成增强的历史邻居嵌入。与通过预训练在整个图上训练的传统扩散模型不同，Conda需要目标节点的历史邻居序列嵌入进行训练，从而实现更有针对性的增强。我们将Conda整合到CTDG模型中，并采用交替训练策略来优化性能。在六个广泛使用的实际数据集上的广泛实验表明，我们的方法在有限历史数据的情况下特别能够显著提高性能表现。