본 논문은 시간에 따라 진화하는 네트워크(예: 소셜 네트워크, 전자상거래 네트워크)를 효과적으로 포착하는 시계열 네트워크에서, 기존 Temporal Graph Neural Networks (TGNNs)의 학습 과정에서 발생하는 음성 샘플링 문제를 해결하기 위해 Curriculum Negative Mining (CurNM)이라는 새로운 프레임워크를 제안합니다. 기존 연구는 TGNNs의 모델 아키텍처 개선에 집중했으나, 음성 샘플의 질에 대한 고려는 부족했습니다. CurNM은 시계열 네트워크의 '양성 희소성' (각 시간대마다 많은 음성 샘플 중 단 하나의 양성 샘플 존재)과 '양성 이동' (시간대에 따라 양성 샘플의 변화) 문제를 해결하기 위해, 동적으로 업데이트되는 음성 풀(랜덤, 과거, 어려운 음성 샘플 균형), 최근 활성화된 간선의 분리된 요소 학습에 중점을 둔 시간 인식 음성 선택 모듈, 그리고 안정적인 학습을 위한 어닐링 랜덤 음성 샘플을 결합하는 방식을 사용합니다. 12개 데이터셋과 3개의 TGNN 모델을 사용한 실험 결과, CurNM이 기존 방법보다 성능이 훨씬 뛰어남을 보였으며, 추가적인 실험을 통해 접근 방식의 유용성과 강건성을 확인했습니다.
