时序图学习方法中的表示完整性

从航班路线到加密货币转账的真实世界系统，都可自然地建模为随时间演化的动态图。常规基准仅通过少量任务特定的得分来评判动态图学习器，却很少询问嵌入本身是否保持为演化网络的忠实、可解释的反映。在本文中，我们将这一要求形式化为表示完整性，并派生出一系列指数，用于衡量嵌入变化如何紧随图变化。我们使用三种人工情景（Gradual Merge、Abrupt Move、Periodic Re-wiring）来筛选四十二个候选指数。基于此，我们推荐一个通过所有理论和实证测试的指数。特别是，这个经验证的指数始终将 provably stable 的 UASE 和 IPP 模型排在最前。随后，我们使用该指数对常见动态图学习模型的表示完整性进行比较研究。该研究暴露了神经方法的情景特定优势，显示出与一步链接预测 AUC 之间的强正相关。因此，提出的完整性框架提供了一个面向任务中性和可解释的动态图表示质量评估工具，为模型选择和未来架构设计提供了更明确的指导。