본 논문은 다양한 분야에서 복잡한 시간에 따라 변화하는 네트워크를 모델링하는 중요한 기술인 동적 그래프 임베딩에 대해 다룹니다. 트랜스포머 기반 모델은 시간적 그래프 데이터의 장기 의존성을 포착하는 데 유망하지만, 이차적 계산 복잡도로 인해 확장성 문제에 직면합니다. 본 연구는 선형 복잡도를 갖는 최근 제안된 Mamba 아키텍처와 트랜스포머를 사용한 동적 그래프 임베딩 접근 방식에 대한 비교 분석을 제시합니다. 그래프 합성곱 네트워크를 추가한 TransformerG2G, \mathcal{DG}-Mamba, 그리고 그래프 동형 네트워크 에지 합성곱을 사용한 \mathcal{GDG}-Mamba라는 세 가지 새로운 모델을 제안합니다. 여러 벤치마크 데이터 세트에 대한 실험 결과, Mamba 기반 모델은 링크 예측 작업에서 트랜스포머 기반 접근 방식과 비슷하거나 우수한 성능을 달성하는 동시에 더 긴 시퀀스에서 상당한 계산 효율성 향상을 제공함을 보여줍니다. 특히, \mathcal{DG}-Mamba 변형은 UCI, Bitcoin 및 Reality Mining과 같이 시간적 변동성이 높은 데이터 세트에서 트랜스포머 기반 모델보다 일관되게 우수한 성능을 나타내는 반면, SBM과 같은 더 안정적인 그래프에서는 경쟁력 있는 성능을 유지합니다. 어텐션 가중치와 상태 행렬 분석을 통해 학습된 시간적 의존성에 대한 통찰력을 제공하여 모델이 복잡한 시간적 패턴을 포착할 수 있음을 보여줍니다. 상태 공간 모델과 그래프 신경망을 효과적으로 결합함으로써 본 연구는 이전 접근 방식의 주요 한계를 해결하고 효율적인 시간적 그래프 표현 학습에 대한 연구를 확장합니다. 이러한 결과는 더 크고 복잡한 실제 네트워크로 동적 그래프 임베딩을 확장하여 소셜 네트워크 분석, 금융 모델링 및 생물학적 시스템 역학과 같은 분야에서 새로운 응용 프로그램을 가능하게 하는 유망한 방향을 제시합니다.
