본 논문은 지속적으로 진화하는 동적 그래프의 구조 변화와 시간적 의존성으로 인한 기존 그래프 학습의 어려움을 해결하기 위해 메타러닝 기반 동적 그래프 신경망 모델을 제시합니다. 기존의 대부분 메타러닝 기법들이 고정된 가중치 업데이트 매개변수에 의존하는 한계를 극복하고자, 다우커 복합체와 지그재그 지속성에 기반한 효율적이고 안정적인 동적 그래프 지속적 호몰로지 표현 방법인 Dowker Zigzag Persistence (DZP)를 개발했습니다. DZP를 활용하여 동적 위상 특징에 기반한 새로운 메타러닝 매개변수 업데이트 모델인 TMetaNet을 제안합니다. TMetaNet은 고차원 위상 특징 간의 거리를 활용하여 스냅샷 간의 효과적인 적응을 가능하게 합니다. 실제 데이터셋을 이용한 실험 결과, TMetaNet은 최첨단 성능과 그래프 노이즈에 대한 강건성을 보여주며, 메타러닝 및 동적 그래프 분석에 높은 잠재력을 가지고 있음을 입증합니다. 코드는 https://github.com/Lihaogx/TMetaNet 에서 확인할 수 있습니다.
