DyGnROLE: 노드 역할 기반 잠재 인코딩을 활용한 동적 그래프의 비대칭성 모델링

DyGnROLE: Modeling Asymmetry in Dynamic Graphs with Node-Role-Oriented Latent Encoding

실제 동적 그래프는 종종 방향성을 가지며, 출발 노드와 도착 노드는 비대칭적인 행동 패턴과 시간적 동역학을 보입니다. 그러나 기존의 동적 그래프 모델들은 대부분 출발 노드와 도착 노드를 처리하기 위해 공유된 파라미터를 사용하며, 노드 역할에 대한 체계적인 모델링은 부족하거나 전혀 이루어지지 않습니다. 본 논문에서는 DyGnROLE (Dynamic Graph Node-Role-Oriented Latent Encoding)이라는 트랜스포머 기반 아키텍처를 제안합니다. 이 아키텍처는 출발 노드와 도착 노드의 표현을 명시적으로 분리합니다. 별도의 임베딩 어휘와 역할-의미 기반 위치 인코딩을 사용하여, 모델은 각 역할에 고유한 구조적 및 시간적 맥락을 포착합니다. 이러한 특수화된 임베딩이 데이터 라벨이 부족한 환경에서도 효과를 발휘하도록, 본 논문에서는 Temporal Contrastive Link Prediction (TCLP)이라는 자체 지도 학습 기반 사전 학습 목표를 제시합니다. 사전 학습 과정에서는 전체 비라벨 상호 작용 기록을 사용하여 유용한 구조적 편향을 인코딩하며, 이를 통해 모델은 어노테이션된 데이터 없이 역할별 표현을 학습할 수 있습니다. 미래 엣지 분류 실험 결과, DyGnROLE은 다양한 최첨단 모델들을 압도적으로 능가하며, 역할 기반 모델링이 동적 그래프 학습에 효과적인 전략임을 입증합니다.

Real-world dynamic graphs are often directed, with source and destination nodes exhibiting asymmetrical behavioral patterns and temporal dynamics. However, existing dynamic graph architectures largely rely on shared parameters for processing source and destination nodes, with limited or no systematic role-aware modeling. We propose DyGnROLE (Dynamic Graph Node-Role-Oriented Latent Encoding), a transformer-based architecture that explicitly disentangles source and destination representations. By using separate embedding vocabularies and role-semantic positional encodings, the model captures the distinct structural and temporal contexts unique to each role. Critical to the effectiveness of these specialized embeddings in low-label regimes is a self-supervised pretraining objective we introduce: Temporal Contrastive Link Prediction (TCLP). The pretraining uses the full unlabeled interaction history to encode informative structural biases, enabling the model to learn role-specific representations without requiring annotated data. Evaluation on future edge classification demonstrates that DyGnROLE substantially outperforms a diverse set of state-of-the-art baselines, establishing role-aware modeling as an effective strategy for dynamic graph learning.