본 논문은 동적 그래프에서의 시간적 링크 예측을 위한 경량 프레임워크인 EAGLE을 제안합니다. 기존의 Temporal Graph Neural Networks (T-GNNs)는 복잡한 구조로 인해 계산 비용이 높다는 단점이 있으나, EAGLE은 단기간의 최근 이웃 정보와 장기간의 전역 구조 패턴을 통합하여 이를 해결합니다. 시간 인식 모듈은 노드의 최근 이웃 정보를 집계하고, 구조 인식 모듈은 시간적 Personalized PageRank를 활용하여 전역적으로 중요한 노드의 영향력을 포착합니다. 데이터 특성에 따라 두 모듈의 기여도를 동적으로 조정하는 적응적 가중치 메커니즘을 사용하며, 복잡한 다단계 메시지 전달이나 메모리 집약적인 메커니즘을 제거하여 효율성을 크게 향상시킵니다. 실험 결과, EAGLE은 기존 최첨단 T-GNN들보다 효과성과 효율성 면에서 우수한 성능을 보이며, 특히 transformer 기반 T-GNN보다 50배 이상 빠른 속도를 제공합니다.
