动态图预测不再逐图重训：交互历史写成表格，冻结的表格基础模型直接排序候选
核心概要
CL-DGFM把动态图上的交互历史编码成与节点身份无关的表格特征，涵盖重复接触、间接连通和有序目的地转移，再让预训练的表格基础预测器在多样合成动力学上学习如何解读这些特征。在TGB与TGB-Seq的13个数据集上，它在其中10个取得最高平均MRR，并在Comment、Flickr、YouTube上分别比所列最强基线高10.78、15.24和11.69个百分点；迁移到真实图时不更新目标图参数。
深度剖析
动态图上的时序链接预测现在可以复用同一个预测器，而不必为每张网络单独训练一套模型。 此前的时序图模型通常按数据集分别训练，换到实体和活跃模式不同的网络就要重新训练。 在TGB与TGB-Seq共13个数据集上，CL-DGFM在其中10个取得最高平均MRR，并在Comment、Flickr、YouTube上分别比所列最强基线高10.78、15.24和11.69个百分点。
做法是先把每条候选交互写成一行数值特征，再交给现成的表格预测器打分。 动态交互分词器只使用查询时刻之前的历史，把直接接触的记忆、经由历史路径的间接连通、以及按顺序出现的目的地转移压缩成特征，并按候选列表内的排名做校准，不编码节点身份。 这些特征堆成表格后，TabICLv2、TabPFNv2和LimiX-2M都能在参数冻结、只依赖目标图带标签历史上下文的条件下完成预测，不需要额外的可训练图编码器。
训练侧用合成交互流覆盖多种历史与未来结果之间的关系，让预测器学会在不同动力学下解读同一套特征。 若只在有限范围的交互过程中学习，模型容易偏向某一种历史信号，换到依赖其他信号的网络就难以迁移。 在固定更新预算下把合成图池从256张扩到16384张，五张真实图上的MRR全部提升，Wiki从68.56升到82.18，Flickr从62.22升到76.02。
启示与展望
演示范围是TGB与TGB-Seq的13个数据集上的时序链接预测，模型只用合成交互流训练，推理时参数固定，仅以各图训练段末尾10%采样的512个正事件作为带标签上下文。适合关注图基础模型与表格基础模型复用的研究者参考。
在Wiki上CL-DGFM略低于TPNet，在GoogleLocal和Patent上差距更大；上下文并非越多越好，Wiki上冻结的TabICLv2在正事件增至512时反而下降，随后部分恢复。