CoDCL: 반사실 데이터 증강 기반 대비 학습을 활용한 연속 시간 동적 네트워크 링크 예측

CoDCL: Counterfactual Data Augmentation Contrastive Learning for Continuous-Time Dynamic Network Link Prediction

동적 네트워크의 급속한 성장과 지속적인 구조 변화는 효과적인 예측을 점점 더 어렵게 만듭니다. 예측 모델이 복잡한 시간적 환경에 적응할 수 있도록, 모델은 새롭게 나타나는 구조적 변화에 강건해야 합니다. 본 논문에서는 이러한 문제를 해결하기 위해 반사실 데이터 증강과 대비 학습을 결합한 동적 네트워크 학습 프레임워크인 CoDCL을 제안합니다. 또한, 고품질의 반사실 데이터를 생성하기 위한 포괄적인 전략을 개발했습니다. 이 전략은 효율적인 구조적 이웃 탐색과 함께 동적 치료 설계 방법을 결합하여 상호 작용 패턴의 시간적 변화를 정량화합니다. 특히, CoDCL은 다양한 기존 시간 그래프 모델에 아키텍처 수정 없이 원활하게 통합될 수 있는 플러그 앤 플레이 방식의 범용 모듈로 설계되었습니다. 다양한 실제 데이터 세트에 대한 광범위한 실험 결과는 CoDCL이 동적 네트워크 분야의 최첨단 모델보다 상당한 성능 향상을 보임을 입증하며, 반사실 데이터 증강이 동적 표현 학습에서 중요한 역할을 한다는 것을 확인합니다.

The rapid growth and continuous structural evolution of dynamic networks make effective predictions increasingly challenging. To enable prediction models to adapt to complex temporal environments, they need to be robust to emerging structural changes. We propose a dynamic network learning framework CoDCL, which combines counterfactual data augmentation with contrastive learning to address this deficiency.Furthermore, we devise a comprehensive strategy to generate high-quality counterfactual data, combining a dynamic treatments design with efficient structural neighborhood exploration to quantify the temporal changes in interaction patterns.Crucially, the entire CoDCL is designed as a plug-and-play universal module that can be seamlessly integrated into various existing temporal graph models without requiring architectural modifications.Extensive experiments on multiple real-world datasets demonstrate that CoDCL significantly gains state-of-the-art baseline models in the field of dynamic networks, confirming the critical role of integrating counterfactual data augmentation into dynamic representation learning.