用于动态图对比学习的可微 Koopman 算子

arXiv:2610.02990v1 公布类型：新 摘要：现实世界的交互网络本质上是动态的：随着节点行为随时间变化，边不断形成与消失。大多数基于快照的对比学习方法将时间依赖关系隐式编码在编码器权重中，却没有显式建模节点表示如何演化，因此在分布偏移下容易失效。我们提出 KAIROS（Koopman-Aligned Invariant Representations for Open Dynamic Systems），一种自监督框架，将可微 Koopman 算子嵌入动态图对比学习流程中，从而在线性化学习嵌入空间中的时间演化。双视图编码器将原始节点特征与经过图扩散的结构视图相结合，并通过跨时间窗口的多粒度对比目标进行优化。在异常检测方面，KAIROS 将 Koopman 预测残差与时间不一致性及局部邻域偏差结合起来，从可预测的图演化中区分不规则行为。在九个动态图基准数据集上的评估表明，KAIROS 在全部九个数据集上均取得了最先进的异常检测结果，相较于以往工作最高提升 23.15 个 ROC-AUC 点，同时在无监督节点分类任务上保持竞争力。这些结果表明，显式的动力学建模能够为时间图表示学习提供一种可扩展且有效的归纳偏置。