그래프의 기저에 깔린 풍부한 정보는 비지도 그래프 표현 (unsupervised graph representation)에 대한 추가적인 연구를 촉발해 왔습니다. 기존 연구들은 주로 정적 그래프 (static graphs) 내의 노드 특징 (node features)과 위상적 특성 (topological properties)에 의존하여 자기지도 신호 (self-supervised signals)를 생성하며, 에지의 타임스탬프 (timestamps)와 같이 실제 세계의 그래프 데이터가 담고 있는 시간적 구성 요소 (temporal components)를 간과해 왔습니다. 이러한 한계를 극복하기 위해, 본 논문은 동적 그래프 (dynamic graphs)에서 시간적 진화 (temporal evolution)를 어떻게 우아하게 모델링할 수 있는지 탐구합니다. 구체적으로, 우리는 동일한 노드가 서로 다른 시공간 범위 (timespans)에 걸쳐 유사한 레이블을 유지하려는 경향을 설명하는 새로운 귀납적 편향 (inductive bias)인 시간적 이동 불변성 (temporal translation invariance)을 도입합니다. 이 가정을 바탕으로, 우리는 서로 다른 시공간 범위에서의 대조 학습 (contrastive learning)을 통해 노드가 국소적으로 일관된 시간적 이동 불변성을 유지하도록 장려하는 동적 그래프 표현 프레임워크인 CLDG를 개발합니다. 명시적인 위상적 연결 (topological links)만을 고려하는 표준 CLDG와 달리, 우리가 추가로 제안하는 CLDG++는 노드 간의 전역적 문맥 상관관계 (global contextual correlations)를 밝혀내기 위해 그래프 확산 (graph diffusion)을 추가로 채택하며, 표현 능력을 향상시키기 위해 국소-국소 (local-local), 국소-전역 (local-global), 전역-전역 (global-global) 대조로 구성된 다중 스케일 대조 학습 목적 함수를 설계합니다. 흥미롭게도, CLDG와 CLDG++는 이상 징후 지표 (anomaly indicators)를 형성하기 위해 서로 다른 시공간 범위 간의 일관성을 측정함으로써, 금융, 사이버 보안, 의료와 같은 많은 영향력 있는 분야에서 폭넓게 응용되는 동적 그래프의 이상 탐지 (anomaly detection) 작업과 매끄럽게 통합됩니다. 실험을 통해 CLDG와 CLDG++ 모두 노드 분류 (node classification) 및 동적 그래프 이상 탐지를 포함한 다운스트림 작업 (downstream tasks)에서 바람직한 성능을 보임을 입증했습니다. 또한, CLDG는 복잡한 시퀀스 모델 (sequence models) 대신 시간적 단서 (temporal cues)를 암시적으로 활용함으로써 시간 및 공간 복잡도를 크게 줄입니다.