arXiv cs.AI· Junghoon Kim, Seungyoon Choi, Hyunsung Kim, Chanyoung Park·· 3 天前AI 评分20
CHASE：面向动态图节点分类的标签迁移感知框架
Chasing Label Shifters: A Change-Aware Framework for Dynamic Graph Node Classification
AI 导读
研究者提出模型无关框架 CHASE，通过检测标签迁移并覆盖过时的邻域信号，解决动态图神经网络中"迁移节点"分类性能系统性落后于稳定节点的问题，在全部测试模型和数据集上准确率最高提升 114.9%、F1 最高提升 202.5%，同时保持稳定节点性能。该工作还贡献了三个具有自然标签迁移的动态图基准数据集，代码已开源，论文被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：现实世界系统中的实体往往会随时间演变：用户在不同信息消费模式之间切换，研究人员在不同领域之间迁移，企业则在不同的金融风险状态之间转换。当此类系统被建模为动态图时，这些转变对应于在相邻快照之间类别标签发生变化的节点，我们称之为转变者（shifter）。正确地对转变者进行分类通常比分类具有持续标签的稳定节点更为重要，因为在高风险场景中检测此类转变能够实现及时干预。然而，我们发现所有主流动态图神经网络架构中都存在一种系统性失效模式：转变者的性能始终落后于稳定节点，且错误集中在旧标签上。我们的结构分析将这一失效归因于嵌入惯性：邻域聚合使转变者的表示锚定在旧类质心上，而这种效应恰恰在最难以纠正的地方最为强烈，即对于那些邻域仍与旧类保持一致的转变者。受此发现启发，我们提出 CHASE，一种模型无关的转变节点变化感知框架，它通过针对性组件包装任意动态 GNN，用于检测标签变化并覆盖过时的邻域信号。CHASE 在所有测试的模型和数据集上持续提升转变者性能（准确率和 F1 分数分别最高提升 114.9% 和 202.5%），同时保持稳定节点性能。我们还贡献了三个具有自然标签变化的动态图基准，填补了现有资源的空白。源代码可在 此 https URL 获取
| Comments: | NeurIPS 2026 |
| Subjects: | 机器学习（cs.LG）；人工智能（cs.AI） |
| Cite as: | arXiv:2610.17582 [cs.LG] |
| （或 arXiv:2610.17582v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17582 由 DataCite 颁发的 arXiv DOI（待注册） |
Submission history
来自：Junghoon Kim [查看邮箱]
[v1]
2026年10月13日星期二 02:00:08 UTC（358 KB）
来源：arXiv cs.AI · arxiv.org