시간적 그래프에서의 학습은 그래프 표현 학습(graph representation learning)의 핵심 주제가 되었으며, 수많은 벤치마크가 최신(state-of-the-art) 모델의 강력한 성능을 보여주고 있다. 그러나 최근 연구들은 벤치마크 결과의 신뢰성에 대한 우려를 제기했으며, 널리 사용되는 평가(evaluation) 프로토콜의 문제점과 단순 휴리스틱(simple heuristics)의 놀라운 경쟁력을 지적했다. 이러한 대조는 시간 그래프 학습 모델이 실제로 예측을 형성하기 위해 기저 그래프의 어떤 특성을 이용하는지에 대한 질문을 던진다. 우리는 시간적 그래프의 링크 구조와 관련된 8가지 근본적 특성을 포착하는 능력을 기준으로 8개 모델을 체계적으로 평가함으로써 이를 다룬다. 여기에는 밀도(density)와 같은 구조적 특성, 최근성(recency)과 같은 시간적 패턴, 동질성(homophily)과 같은 엣지 형성 메커니즘이 포함된다. 합성 및 실제 데이터셋을 모두 사용하여 모델이 이러한 특성을 얼마나 잘 학습하는지 분석한다. 우리의 발견은 엇갈린 그림을 보여준다. 모델들은 일부 특성은 잘 포착하지만 다른 특성은 재현하지 못한다. 이를 통해 중요한 한계를 드러낸다. 전반적으로, 본 결과는 시간 그래프 학습 모델의 적용에 대한 실용적 통찰을 제공하고, 그래프 학습 연구에서 해석 가능성(interpretability) 중심의 평가를 촉진할 것이라고 본다.
이벤트 기반 시간 그래프 신경망(ETGNN)은 사회 네트워크 분석, 전염병 추적, 추천 시스템, 정치 이벤트 예측을 포함한 광범위한 응용 분야에서 강한 성능을 보여왔다. 그러나 그 복잡성이 증가함에 따라 설명 가능성(explainability)에 상당한 도전을 제기한다. 기존 설명 방법은 ETGNN 내 정보 흐름의 일부만을 다루며, 일반적으로 출력에 대한 이벤트 관련 임베딩의 기여를 추적한다. 따라서 노드 간 상호작용을 매개하며 장거리 시간 의존성을 포착하는 데 핵심적인 역할을 하는 이벤트 유발 변수(event-induced variables)를 통한 중요한 경로를 간과한다. 이 한계를 극복하기 위해, 우리는 모든 이벤트 관련 변수를 통한 전체 정보 흐름을 분석하는 새로운 귀속(attribution) 방법을 제안한다. 우리 방법은 최근 Normalized Relevance Measure(NRM) 프레임워크를 기반으로 하며, 이벤트 임베딩에서 기원하는 정보 흐름뿐만 아니라 이벤트 유발 변수를 통과하는 정보 흐름의 명시적 정량화를 가능하게 한다. 또한 레이어 간 잠재 변수의 비교 가능성을 보장하고, 이벤트 간 상호작용의 고차 분석을 지원한다. ETGNN의 아키텍처 복잡성을 처리하기 위해, 복잡한 신경 아키텍처에 대한 관련성 구조의 체계적 구성을 용이하게 하는 모듈식 분해 절차로 NRM 프레임워크를 확장한다. 우리는 전염병 추적과 사회 역학을 위한 두 개의 합성 데이터셋과 정치 이벤트 네트워크의 실제 데이터셋에서 접근법을 평가한다. 정성적 및 정량적 실험은 우리 방법이 기존 설명 접근법을 일관되게 능가하며 더 인간이 해석 가능한 설명을 생성함을 보여준다.
시간적 링크 예측(TLP)은 일반적으로 미관측 엣지에 대한 예측 성능으로 평가되지만, 이 기준은 예측 정확도와 기저 인과 메커니즘의 복원을 혼동할 수 있다. 확률론적 모델에서 피셔 정보(Fisher information)는 매개변수 추정 오차에 대한 크라메르-라오(Cramér–Rao, CR) 하한을 지배한다: 피셔 정보가 높을수록 더 정확한 매개변수 복원이 가능하다. 우리는 피셔 정보와 엔트로피 사이의 공단조 조건(comonotonicity conditions) 하에서, 이진 로지스틱 모델이 추정-예측 트레이드오프를 나타냄을 보인다: 피셔 정보가 높아 CR 하한이 작은 체제일수록 환원 불가능한 예측 엔트로피도 높아진다. TLP에서 이 트레이드오프를 연구하기 위해, 우리는 과도 엣지(transient edges)와 알려진 ground-truth 인과 구조를 가진 시간 그래프의 확률론적 인과 생성기를 도입하고, 이 현상을 실험적으로 검증한다.
Continuous-Time Dynamic Graphs (CTDGs) enable fine-grained modeling of evolving relational systems. However, most existing CTDG representation learning methods are tailored to in-distribution settings and exhibit limited robustness under out-of-distribution (OOD) shifts. Although recent causal approaches learn invariant representations via interventions, they are primarily designed for static or discrete-time graphs and become computationally prohibitive for CTDGs due to the combinatorial explosion of structural and temporal variations. To address these challenges, we propose CIR, a framework grounded in a novel structural causal model termed the ICCM. To avoid exhaustive interventions, we leverage the Normalized Weighted Geometric Mean (NWGM) to efficiently approximate interventional predictions. We further instantiate ICCM within a practical deep learning architecture that jointly captures invariant structural and temporal patterns through dedicated subgraph extractors, and maintains an environment memory bank to model distributional shifts across evolving contexts. Extensive experiments demonstrate that CIR consistently outperforms existing methods under diverse OOD scenarios.
신경계가 출생부터 성체까지 스스로 배선되는 방식을 이해하는 것은 발달 신경과학의 근본적인 과제이다. 우리는 시간적 그래프 신경망(TGN)을 C. elegans 신경 발달의 두 가지 상호 보완적 표현에 적용하는 시간적 그래프 프레임워크 DevoTG를 제시한다: 세포 계보 데이터에서 도출된 세포 분열 이벤트의 연속 시간 동적 그래프(CTDG)와, 8개의 재구성된 전자현미경 데이터셋에 걸쳐 발달 중인 시냅스 커넥톰의 이산 시간 동적 그래프(DTDG)이다. 계보 예측 과제에서 우리의 TGN은 평균 테스트 AUC 0.839 ± 0.007(5개 시드; 검증 AUC 0.937 ± 0.001)을 달성하며, 동일한 아키텍처의 정적 GNN을 26 AUC 포인트(0.577 ± 0.080) 차이로 능가함으로써 시간적 메모리가 결정적 요인임을 입증한다. 커넥톰 DTDG에 적용된 DevoTG는 발달 과정(L1 출생~성체)에 걸쳐 225개 뉴런과 858~2,496개 연결에서 세 가지 연결 안정성 분류(안정적, 발달적, 가변적)를 식별하며, Witvliet et al.의 개체 변이성 분류에 대한 시간적 그래프 이론적 보완을 제공한다. 허브 명령 개재뉴런 AVA, AVB, AVE에 대한 분석은 이들의 지속적인 중심성과 유충 단계 전반에 걸쳐 통합 역할이 점진적으로 강화되는 방식을 밝혀낸다. 대화형 시각화(3D 애니메이션 네트워크, 중심성 히트맵, 시공간 계보 그래프)를 통해 발달 동역학을 생물학적 가설 생성에 활용하기 쉽게 제공한다. DevoTG는 오픈 소스이며 다른 발달 중인 신경계로의 확장을 위해 설계되었다. 코드는 https://github.com/DevoLearn/DevoGraph/tree/main/DevoTG에서 공개적으로 이용 가능하다.