DynaSTy: Vorhersage von Knoteneigenschaften in dynamischen Graphen

Ein neues Framework namens DynaSTy verspricht, die Vorhersage von Knoteneigenschaften in dynamischen Graphen deutlich zu verbessern. Durch die Kombination von Zeitreihenanalyse und Graph-Neural-Networks kann DynaSTy mehrere Schritte in die Zukunft projizieren – ein entscheidender Fortschritt für Bereiche wie Finanzvertrauensnetzwerke, biologische Netzwerke und soziale Systeme.

Im Kern nutzt DynaSTy einen transformerbasierten Ansatz, der die aktuelle Adjazenzmatrix als adaptiven Attention‑Bias einsetzt. Dadurch kann das Modell zu jedem Zeitpunkt gezielt die relevanten Nachbarn berücksichtigen, während sich das Netzwerk weiterentwickelt. Zusätzlich wird ein maskiertes Node‑Time‑Pretraining eingesetzt, das den Encoder darauf vorbereitet, fehlende Merkmale zu rekonstruieren.

Zur Reduzierung von Fehlerakkumulationen werden Scheduled Sampling und ein horizon‑gewichteter Verlust verwendet. Das Ergebnis: DynaSTy übertrifft etablierte Baselines konsequent in Bezug auf Root Mean Squared Error (RMSE) und Mean Absolute Error (MAE). Besonders hervorzuheben ist die Fähigkeit, dynamische Graphen zu verarbeiten, die zwischen den einzelnen Eingabemustern variieren – ein Merkmal, das bisherige Modelle nicht bieten.

Die Forschungsergebnisse, veröffentlicht auf arXiv (2601.05391v1), zeigen, dass DynaSTy in vielfältigen Szenarien – von Gehirnnetzwerken verschiedener Probanden bis hin zu sich wandelnden Finanzsystemen – zuverlässige Vorhersagen liefert. Damit eröffnet das Framework neue Möglichkeiten für die Analyse und Steuerung komplexer, zeitabhängiger Netzwerke.