通过数据增强提升连续时间动态图网络的长期预测性能
机器学习
2024-05-28 v2 人工智能
摘要
本研究关注连续时间动态图网络（CTDGNs）上的长期预测（LTF），其对现实世界建模十分重要。现有 CTDGNs 因能捕捉复杂时间依赖关系而对时序图数据建模有效，但由于对历史数据的巨大需求，其在 LTF 上表现不佳，而这在大多数情况下并不现实。为缓解该问题，最直观的方法是数据增强。本研究中，我们提出 \textbf{\underline{U}ncertainty \underline{M}asked \underline{M}ix\underline{U}p (UmmU)}：一种即插即用模块，其进行不确定性估计以将不确定性引入 CTDGNs 中间层的嵌入中，并执行掩码混合（masked mixup）进一步增强嵌入的不确定性使其泛化到更多情形。UmmU 可轻松插入任意 CTDGNs 而不增加参数量。我们在三个真实动态图数据集上进行了全面实验，结果表明 UmmU 能有效提升 CTDGNs 的长期预测性能。
引用
@article{arxiv.2304.05749,
title = {Boosting long-term forecasting performance for continuous-time dynamic graph networks via data augmentation},
author = {Yuxing Tian and Mingjie Zhu and Jiachi Luo and Song Li},
journal= {arXiv preprint arXiv:2304.05749},
year = {2024}
}
备注
Recent evidence has emerged that directly contradicts the main findings of our paper, particularly those in Section 4. We need to conduct further research to address these discrepancies