Resumo Técnico: Predição de Links Dinâmica com Redes Neurais de Grafos Assinadas Aprimoradas Temporalmente

1. Declaração do Problema

Redes assinadas temporais (TSNs) modelam a evolução de relações cooperativas e adversárias em domínios como mídias sociais, sistemas de confiança e transações financeiras. Embora as Redes Neurais de Grafos (GNNs) tenham avançado a predição de links estática e não assinada, a aprendizagem efetiva em grafos assinados temporais permanece desafiadora. Métodos existentes frequentemente tratam redes como instantâneos estáticos ou falham em considerar a interação complexa entre relações assinadas (polaridade positiva/negativa), estruturas em evolução e restrições teóricas de equilíbrio.

Especificamente, as abordagens atuais lutam com quatro desafios-chave:

1. Decaimento de Informação Temporal: A influência de interações assinadas históricas diminui ao longo do tempo, mas as SGNNs (Redes Neurais de Grafos Assinadas) estáticas carecem de mecanismos adaptativos para ponderar evidências recentes versus mais antigas.
2. Estruturas de Equilíbrio em Evolução: Padrões de equilíbrio estrutural (por exemplo, estabilidade triádica) não são fixos; eles exigem recalibração contínua à medida que as redes crescem.
3. Dinâmicas Temporais Heterogêneas: Diferentes nós exibem comportamentos temporais distintos (por exemplo, nós centrais mantendo relevância de longo prazo versus nós periféricos com influência de decaimento rápido), necessitando de ponderação adaptativa em vez de uniforme.
4. Interpretabilidade: Incorporar mecanismos temporais frequentemente reduz a transparência essencial para aplicações críticas de confiança, e os modelos de atenção temporais existentes oferecem insights limitados sobre como fatores temporais impulsionam predições assinadas.

2. Metodologia

Os autores propõem um framework modular de aprimoramento temporal projetado para integrar contexto histórico em arquiteturas SGNN estáticas sem alterar suas codificações estruturais centrais. O framework é agnóstico à arquitetura, mas é instanciado aqui usando o Transformador de Grafo Assinado Autoexplicável (SE-SGformer).

Componente Central: Módulo de Integração de Contexto Histórico (HCIM)

O HCIM extrai representações informadas temporalmente de embeddings de grafos históricos através de um processo de três etapas:

1. Ponderação Temporal Adaptativa:

   • Aplica ponderação aprendível e consciente da recência aos embeddings de nós históricos $\{Z(t-T), \dots, Z(t-1)\}$.
   • Utiliza um coeficiente de ponderação $w_\tau$ definido por um fator de decaimento exponencial $\lambda$ e um parâmetro de ênfase na recência $\gamma$.
   • Fórmula: $w_\tau = \frac{\lambda^{T-1-\tau} \cdot e^{\tau/\gamma}}{\sum_{i=0}^{T-1} \lambda^{T-1-i} \cdot e^{i/\gamma} + \epsilon}$.
   • Isso permite que o modelo priorize adaptativamente interações históricas informativas em vez de tratar todos os instantâneos passados igualmente.

2. Modelagem de Padrões Sequenciais:

   • Os embeddings ponderados são empilhados em uma sequência temporal e processados por uma rede LSTM.
   • Esta etapa captura dependências sequenciais e trajetórias temporais de longo alcance em relações assinadas.

3. Integração de Contexto Baseada em Atenção:

   • Um mecanismo de autoatenção multi-cabeça é aplicado às saídas da LSTM para enfatizar seletivamente padrões temporais historicamente informativos.
   • A representação correspondente ao último passo de tempo é projetada para gerar a representação final de contexto histórico ($H_{context}$).

Estratégias de Fusão Temporal

O contexto histórico extraído é fundido com embeddings de nós atuais ($Z_{current}$) usando uma de duas estratégias:

• Ponderação Global: Aplica um único parâmetro aprendível $\alpha$ uniformemente em todos os nós. Adequado para redes sintéticas com padrões temporais homogêneos.
• Ponderação Adaptativa por Nó: Usa uma Rede Neural Perceptron Multicamadas (MLP) para gerar pesos de fusão específicos por nó $\alpha_{node}$. Isso acomoda dinâmicas temporais heterogêneas em dados do mundo real, permitindo que diferentes nós ajustem dinamicamente a importância de informações históricas versus atuais.

Os embeddings aprimorados finais ($Z_{enhanced}$) substituem os embeddings originais nas camadas de predição, enquanto a formulação original de perda e os objetivos de predição assinada permanecem inalterados.

3. Contribuições Principais

• Framework HCIM: Um framework temporal sistemático de três etapas combinando ponderação aprendível consciente da recência, modelagem de trajetória baseada em LSTM e atenção temporal multi-cabeça.
• Ponderação Temporal Dupla: Introdução de estratégias de ponderação global e adaptativa por nó para lidar tanto com padrões sintéticos homogêneos quanto com dinâmicas heterogêneas do mundo real.
• Preservação da Interpretabilidade: O framework mantém a explicabilidade do modelo ao usar parâmetros aprendíveis explícitos para viés de recência e pesos de fusão, permitindo que profissionais validem fatores decisórios temporais.
• Design Agnóstico à Arquitetura: A abordagem estende SGNNs existentes (demonstrado no SE-SGformer) sem redesenhar a base, preservando fundações estruturais como codificações de passeio aleatório assinado e vieses de atenção estrutural.

4. Resultados Experimentais

O framework foi avaliado em conjuntos de dados do mundo real (Bitcoin OTC, Bitcoin Alpha, Reddit Hyperlink) e redes sintéticas (Barabási-Albert, Watts-Strogatz).

• Ganhos de Desempenho: O SE-SGformer aprimorado temporalmente superou consistentemente a linha de base estática em todos os conjuntos de dados com melhorias estatisticamente significativas ($p < 0.001$).
  • Bitcoin OTC: +3,79% de melhoria relativa no AUC; 30,32% de redução de erro.
  • Bitcoin Alpha: +5,76% de melhoria relativa no AUC; 40,06% de redução de erro.
  • Redes Sintéticas: O modelo mostrou os ganhos mais dramáticos em dados sintéticos, com melhorias relativas no AUC superiores a 13% e reduções de erro de até 41,77% nas redes Barabási-Albert e Watts-Strogatz.
• Robustez: Apesar da heterogeneidade estrutural extrema e domínio de hubs no subconjunto Reddit Hyperlink, o framework alcançou uma melhoria de 1,37% no AUC, demonstrando eficácia mesmo em topologias altamente irregulares.
• Eficiência: Embora o HCIM introduza sobrecarga computacional adicional (escalando linearmente com nós e quadraticamente com instantâneos temporais), os aumentos de tempo de execução empíricos foram moderados (1,48% a 24,80%), permanecendo tratáveis para os conjuntos de dados avaliados.

5. Significado e Alegações

O artigo posiciona este trabalho como uma ponte crítica entre a aprendizagem de grafos temporal e as redes neurais de grafos assinados. Seu significado principal reside em:

• Preenchendo a Lacuna: Aborda a falta de modelagem temporal explícita na aprendizagem de grafos assinados, permitindo predição de links assinados precisa em ambientes dinâmicos e adversários.
• Preservando a Interpretabilidade: Diferentemente de abordagens que redesenham arquiteturas inteiramente, este método injeta consciência temporal em SGNNs existentes e interpretáveis, mantendo a capacidade de explicar predições com base em teorias de equilíbrio estrutural e status.
• Escalabilidade e Flexibilidade: Ao ser agnóstico à arquitetura, fornece uma base escalável para pesquisas futuras em SGNNs temporais.
• Impacto na Aplicação: O framework avança capacidades em domínios onde entender a evolução de relações cooperativas e adversárias é essencial, como detecção de fraude financeira e moderação de comunidades online.

Os autores concluem que interações assinadas temporais contêm informação preditiva além da estrutura de grafo estática sozinha, e que separar representações históricas e estruturais antes da fusão adaptativa é uma estratégia benéfica para a aprendizagem de grafos temporais.