Cet article aborde l'apprentissage temporel des graphes, un enjeu crucial dans les réseaux dynamiques où les nœuds et les arêtes évoluent au fil du temps et où de nouveaux nœuds sont continuellement ajoutés au système. Plus précisément, nous nous concentrons sur deux défis majeurs : représenter efficacement les nouveaux nœuds et réduire les informations graphiques bruyantes ou redondantes. Pour y parvenir, nous proposons un cadre multi-objectifs, GTGIB, qui intègre l'apprentissage de la structure des graphes (GSL) et le goulot d'étranglement des informations temporelles des graphes (TGIB). Nous concevons un nouvel activateur de structure en deux étapes basé sur GSL pour enrichir et optimiser les voisinages de nœuds, et démontrons son efficacité par des preuves théoriques et des expériences. TGIB améliore le graphe optimisé en régulant à la fois les arêtes et les caractéristiques grâce à une fonction objective TGIB exploitable, dérivée d'une approximation variationnelle, permettant une optimisation stable et efficace. Nous évaluons les performances de prédiction de liens du modèle basé sur GTGIB sur quatre jeux de données de réseaux réels. Le modèle basé sur GTGIB surpasse les méthodes existantes dans le cadre inductif sur tous les jeux de données et démontre des améliorations de performances significatives et constantes dans le cadre transitif.
