分享论文：Dynamic Graph Neural Networks Under Spatio-Temporal Distribution Shift

动态图神经网络(dygnn)已被证明具有强大的预测能力利用图形结构和时间动态的能力。然而，现有的dygnn无法处理动态中自然存在的分布移位
图，主要是因为dygnn利用的模式可能与关于分销班次下的标签。在本文中，我们建议处理动态图时空分布的发现与利用不变模式，即预测能力稳定的结构和特征这面临着两个关键的挑战:1)如何发现动态图中复杂的变化与不变的时空模式同时涉及时变图结构和节点特征。2)如何处理
时空分布随发现的变异模式和不变模式而变化。为了应对这些挑战，我们提出了基于非纠缠干预的方法动态图注意力网络(DIDA)。我们提出的方法可以有效地通过发现和处理动态图中的时空分布变化充分利用不变的时空格局。具体而言，我们首先提出a解开时空注意网络的纠缠，捕捉变异和不变模式。然后，我们设计了一个时空干预机制来创建通过抽样和重组变异模式的多重介入分布跨越社区和时间戳，以消除变异的虚假影响模式。最后，我们提出了一个不变性正则化项来最小化干预分布中预测的方差，这样我们的模型就可以基于不变模式的预测，具有稳定的预测能力，因此可以处理分布变化。在三个真实世界的数据集上做实验
合成数据集证明了我们的方法优于最先进的方法分布变化下的基线。我们的工作是对时空的首次研究，据我们所知，分布在动态图形中变化。

预测任务如下：

根据因果理论

损失函数：