时序图中启发式方法的力量
机器学习
2025-02-10 v1
摘要
动态图数据集常常表现出强烈的时序模式，例如近时性 (recency) 优先考虑最近的交互，或流行性 (popularity) 偏好频繁出现的结点。我们展示，即使仅利用这些模式的简单启发式方法，在标准评估协议下，也能与最先进的神经网络模型等价或更优。为了进一步探索这些动态，我们引入度量标准，用于量化近时性和流行性在数据集中的影响。我们的实验在 BenchTemp 和 Temporal Graph Benchmark 上表明，我们的方法在后者的所有数据集上实现最佳性能，在前者的多个数据集上获得前列名。这些结果突显了细化评估方案的重要性，以实现公平比较并推动更健壮的时序图模型开发。此外，它们揭示了当前深度学习方法在捕捉真实世界时序图中用于预测的关键模式方面常常力不及众。为可重复性，我们已公开代码。
引用
@article{arxiv.2502.04910,
title = {On the Power of Heuristics in Temporal Graphs},
author = {Filip Cornell and Oleg Smirnov and Gabriela Zarzar Gandler and Lele Cao},
journal= {arXiv preprint arXiv:2502.04910},
year = {2025}
}