＜论文＞（谷歌）用于时序链接预测的迁移学习

一、摘要

        本文介绍谷歌在2025年4月牵头发表的新论文《Transfer Learning for Temporal Link Prediction》。论文主要探讨了动态图中的时间链路预测（TLP）任务，以及如何让模型在不同图之间进行迁移学习。

译文：

        基于图的链接预测应用广泛，涵盖从推荐系统到药物发现等领域。时间链接预测（TLP）指的是预测随时间演化的图中的未来链接，这增加了与图的动态性质相关的额外复杂性。最先进的TLP模型将记忆模块与图神经网络结合，以学习传入节点的时间机制和不断演化的图拓扑结构。然而，记忆模块仅存储训练时看到的节点信息，因此此类模型在测试和部署时无法直接应用于全新的图。在这项工作中，我们研究了时间链接预测的一个新的迁移学习任务，并为含记忆模块的模型开发了有效的迁移方法。具体而言，受表明结构信号对TLP任务具有信息性的研究启发，我们在现有的TLP模型架构中添加了一个结构映射模块，该模块学习从图结构（拓扑）特征到记忆嵌入的映射。我们的工作为TLP的无记忆基础模型铺平了道路。

二、核心创新点

        时序图