技術的概要：時間的強化を施した符号付きグラフニューラルネットワークによる動的リンク予測

1. 問題定義

時間的符号付きネットワーク（TSN）は、ソーシャルメディア、信頼システム、金融取引などの分野における協力関係と敵対的関係の進化をモデル化する。グラフニューラルネットワーク（GNN）は静的かつ符号なしのリンク予測を進展させたが、時間的符号付きグラフにおける効果的な学習は依然として課題である。既存の手法は、ネットワークを静的なスナップショットとして扱うか、符号付き関係（正/負の極性）、進化する構造、およびバランス理論的制約間の複雑な相互作用を考慮しきれていない。

具体的には、現在の手法は以下の 4 つの主要な課題に直面している：

1. 時間的情報の減衰: 歴史的な符号付き相互作用の影響は時間とともに減衰するが、静的な符号付き GNN（SGNN）には、最近の証拠と過去の証拠に重み付けを行う適応メカニズムが欠けている。
2. 進化するバランス構造: 構造的バランスパターン（例：三項安定性）は固定されていない。ネットワークが成長するにつれ、継続的な再較正が必要となる。
3. 不均質な時間的ダイナミクス: 異なるノードは異なる時間的挙動を示す（例：長期的な関連性を維持する中心ノード対して、影響力が急速に減衰する周辺ノード）。これにより、均一な重み付けではなく、適応的な重み付けが必要となる。
4. 解釈可能性: 時間的メカニズムの組み込みは、信頼が重要なアプリケーションに不可欠な透明性を低下させる傾向があり、既存の時間的注意モデルは、時間的要因がどのように符号付き予測を駆動するかについての洞察を限定的にしか提供していない。

2. 手法

著者らは、コアとなる構造的エンコーディングを変更することなく、歴史的コンテキストを静的な SGNN アーキテクチャに統合するように設計されたモジュール型時間的強化フレームワークを提案する。このフレームワークはアーキテクチャ非依存であるが、ここでは**自己説明型符号付きグラフトランスフォーマー（SE-SGformer）**を用いて具体化されている。

コアコンポーネント：歴史的コンテキスト統合モジュール（HCIM）

HCIM は、3 段階のプロセスを通じて歴史的グラフ埋め込みから時間的に情報のある表現を抽出する。

1. 適応的時間的重み付け:

   • 歴史的ノード埋め込み $\{Z(t-T), \dots, Z(t-1)\}$ に、学習可能な最近性認識型重みを適用する。
   • 指数減衰係数 $\lambda$ と最近性強調パラメータ $\gamma$ によって定義される重み係数 $w_\tau$ を使用する。
   • 数式: $w_\tau = \frac{\lambda^{T-1-\tau} \cdot e^{\tau/\gamma}}{\sum_{i=0}^{T-1} \lambda^{T-1-i} \cdot e^{i/\gamma} + \epsilon}$。
   • これにより、モデルはすべての過去のスナップショットを均等に扱うのではなく、情報豊富な歴史的相互作用を適応的に優先できるようになる。

2. 逐次パターンモデル化:

   • 重み付けされた埋め込みを時間的シーケンスに積み重ね、LSTMネットワークで処理する。
   • この段階は、符号付き関係における逐次的依存関係と長距離の時間的軌跡を捉える。

3. 注意に基づくコンテキスト統合:

   • マルチヘッド自己注意メカニズムを LSTM の出力に適用し、歴史的に情報のある時間的パターンを選択的に強調する。
   • 最終タイムステップに対応する表現を射影し、最終的な歴史的コンテキスト表現（$H_{context}$）を生成する。

時間的融合戦略

抽出された歴史的コンテキストは、2 つの戦略のいずれかを使用して現在のノード埋め込み（$Z_{current}$）と融合される。

• グローバル重み付け: すべてのノードに一様に単一の学習可能パラメータ $\alpha$ を適用する。均質な時間的パターンを持つ合成ネットワークに適している。
• ノード適応型重み付け: マルチラヤパーセプトロン（MLP）を使用してノード固有の融合重み $\alpha_{node}$ を生成する。これにより、異なるノードが歴史的情報と現在の情報の重要性を動的に調整できるため、実世界のデータにおける不均質な時間的ダイナミクスに対応できる。

最終的な強化された埋め込み（$Z_{enhanced}$）は、予測層における元の埋め込みを置き換えるが、元の損失定式化と符号付き予測の目的は変更されない。

3. 主要な貢献

• HCIM フレームワーク: 学習可能な最近性認識型重み付け、LSTM ベースの軌跡モデル化、マルチヘッド時間的注意を組み合わせた体系的な 3 段階の時間的フレームワーク。
• 二重時間的重み付け: 均質な合成パターンと不均質な実世界のダイナミクスの両方を処理するための、グローバルおよびノード適応型重み付け戦略の導入。
• 解釈可能性の維持: 最近性バイアスと融合重みに対する明示的な学習可能パラメータを使用することで、フレームワークはモデルの説明可能性を維持し、実務家が時間的決定要因を検証できるようにする。
• アーキテクチャ非依存設計: このアプローチは、SE-SGformer 上で実証された既存の SGNN を拡張するものであり、符号付きランダムウォークエンコーディングや構造的注意バイアスなどの構造的基盤を再設計せずに維持する。

4. 実験結果

このフレームワークは、実世界のデータセット（Bitcoin OTC、Bitcoin Alpha、Reddit ハイパーリンク）および合成ネットワーク（Barabási-Albert、Watts-Strogatz）で評価された。

• 性能向上: 時間的強化を施した SE-SGformer は、すべてのデータセットで統計的に有意な改善（$p < 0.001$）を伴い、静的なベースラインを一貫して上回った。
  • Bitcoin OTC: 相対 AUC 改善 +3.79%；誤差 30.32% 削減。
  • Bitcoin Alpha: 相対 AUC 改善 +5.76%；誤差 40.06% 削減。
  • 合成ネットワーク: 本モデルは合成データで最も劇的な成果を示し、Barabási-Albert および Watts-Strogatz ネットワークにおいて、相対 AUC 改善が**13%を超え、誤差削減が最大41.77%**に達した。
• 頑健性: Reddit ハイパーリンク部分集合における極端な構造的不均質性とハブの優位性にもかかわらず、フレームワークは 1.37% の AUC 改善を達成し、非常に不規則なトポロジーにおいても有効であることを示した。
• 効率性: HCIM は追加の計算オーバーヘッドを導入する（ノード数に比例し、時間的スナップショット数に二次的に比例する）が、実測された実行時間の増加は moderate（1.48% から 24.80%）であり、評価対象のデータセットに対して処理可能であった。

5. 意義と主張

本論文は、この研究を時間的グラフ学習と符号付きグラフニューラルネットワークの間の重要な架け橋として位置づけている。その主な意義は以下の点にある。

• ギャップの埋め合わせ: 符号付きグラフ学習における明示的な時間的モデリングの欠如に対処し、動的かつ敵対的な環境における正確な符号付きリンク予測を可能にする。
• 解釈可能性の維持: アーキテクチャを完全に再設計するアプローチとは異なり、この手法は既存の解釈可能な SGNN に時間的認識を注入し、構造的バランスやステータス理論に基づいた予測の説明能力を維持する。
• スケーラビリティと柔軟性: アーキテクチャ非依存であるため、将来の時間的 SGNN 研究のためのスケーラブルな基盤を提供する。
• 応用への影響: このフレームワークは、協力関係と敵対的関係の進化の理解が不可欠な分野（金融詐欺検出やオンラインコミュニティのモデレーションなど）の能力を向上させる。

著者らは、時間的符号付き相互作用には静的なグラフ構造だけでは含まれない予測情報を含んでおり、適応的融合の前に歴史的表現と構造的表現を分離することが、時間的グラフ学習にとって有益な戦略であると結論づけている。