从链接预测到预测：解决批处理时序图学习中的挑战
机器学习
2026-02-06 v3
摘要
动态链接预测是近期众多研究所关注的问题，旨在学习时序边模式。为评估其有效性，模型通常在连续时序与离散时序时序图数据集上进行评估，采用传统的批处理导向评估方案。然而，本文揭示批处理评估常不合适且会引发多重问题。无论数据时间粒度如何，将边按固定大小批次分组，都会导致信息损失或泄漏。此外，固定大小的批次会创建持续时间不同的时间窗口，导致动态链接预测任务不一致。本文通过实证研究表明，传统的批处理评估会导致模型性能偏斜，并阻碍方法的公平比较。我们通过将动态链接预测重新表述为链接预测任务来缓解此问题，后者更好地考虑了数据中所含的时序信息。
引用
@article{arxiv.2406.04897,
title = {From Link Prediction to Forecasting: Addressing Challenges in Batch-based Temporal Graph Learning},
author = {Moritz Lampert and Christopher Blöcker and Ingo Scholtes},
journal= {arXiv preprint arXiv:2406.04897},
year = {2026}
}
备注
46 pages (12 pages main text), 19 figures. Published in Transactions on Machine Learning Research (2026)