多域动态图基础模型的解耦和发散条件提示

动态图在现实系统中无处不在，构建可推广的动态图基础模型已成为图学习的前沿。然而，来自不同领域的动态图对统一建模提出了根本性挑战，因为它们的语义和时间模式本质上不一致，使得多领域 预训练 变得困难。因此，广泛使用的“预训练然后微调”范式经常遭受严重的负面知识转移。据我们所知，不存在多域动态 GFM。在这项工作中，我们提出了 DyGFM，一种基于解耦和发散条件提示的跨多个域的动态图基础模型。为了将可转移语义与特定领域的动态分离，我们引入了具有语义-时间解耦的双分支 预训练 策略。为了减轻域适应过程中的负转移，我们进一步开发了一种具有分歧感知专家选择的跨域路由机制。为了实现高效的下游 微调，我们设计了一个分歧条件提示生成器，它注入针对语义和时间特征定制的轻量级、可学习的图形提示。对连续动态图基准的大量实验表明，DyGFM 在节点分类和链路预测任务上始终优于 12 个最先进的基准，实现了卓越的有效性和效率。