该论文介绍了Drift-Aware Temporal Graph Rewiring (DATGR)，这是一个通过基于估计语义漂移动态更新共现边来建模概念演化的框架。DATGR不对每个时间切片重新训练嵌入，而是使用应用于边权重的逻辑更新规则执行轻量级、反馈驱动的重连。

  • 在生物医学多关系语料库（BIOMRC）上评估，该方法相比静态基线实现了约0.066绝对差值的平均AUROC提升（0.699对比0.633）。
  • 精确率-召回率曲线下面积（AUPRC）保持相当（0.738对比0.744），表明感知漂移的适应增强了链接预测的召回率，且没有损失精度。

这些结果表明，边级适应能有效捕捉演化中生物医学文本的时间语义变化，同时保持计算效率和可解释性。