通过源-目标识别增强时序图网络的表达能力
机器学习
2024-12-02 v3
摘要
尽管时序图网络（TGNs）在动态节点分类和链接预测等任务上取得了成功应用，但它们在动态节点亲和度预测任务上表现仍然较差——该任务的目标是预测两个节点在未来将'多么'频繁地交互。事实上，在真实标签上使用持久预测和移动平均等简单启发式方法显著且一致地优于 TGN。基于这一观察，我们发现对消息计算启发式方法是一种同样具有竞争力的方法，在动态节点亲和度预测上优于 TGN 和所有当前时序图（TG）模型。在本文中，我们证明了 TGN 的任何表述都无法表示持久预测或消息上的移动平均，并提出通过为每个交互事件消息添加源-目标识别来增强 TGN 的表达能力。我们证明这一修改是表示持久预测、移动平均以及更广泛的消息自回归模型类所必需的。我们提出的方法 TGNv2 在所有时序图基准（TGB）动态节点亲和度预测数据集上显著优于 TGN 和所有当前 TG 模型。
引用
@article{arxiv.2411.03596,
title = {Enhancing the Expressivity of Temporal Graph Networks through Source-Target Identification},
author = {Benedict Aaron Tjandra and Federico Barbero and Michael Bronstein},
journal= {arXiv preprint arXiv:2411.03596},
year = {2024}
}
备注
Accepted to NeurIPS Symmetry and Geometry in Neural Representations Workshop 2024 (Oral)