面向分布迁移下的边流节点属性预测：一种简单而有效的方法
机器学习
2025-04-02 v1
摘要
预测图中节点属性（如节点类别）的问题因其广泛的应用而受到高度关注。现实数据集中的图往往随时间演化，新出现的边以及节点属性的动态变化为该问题带来了显著挑战。为此，人们发展出了基于时间图神经网络（TGNN）的方法，以从边的流式输入中预测动态节点属性。然而，我们的分析表明，大多数基于 TGNN 的方法在缺乏有效节点特征时（a）效果远不理想，且因其复杂的模型架构而（b）对分布迁移十分敏感。为此，本文提出了 SPLASH，一种用于在分布迁移条件下对边流进行节点属性预测的简单而强大的方法。我们的主要贡献包括：（1）我们提出了特征增强方法和自动特征选择方法，以提高 TGNN 的有效性；（2）我们提出一种轻量级的基于多层感知机的 TGNN 架构，在分布迁移下表现高效且稳健；（3）我们在动态节点分类、动态异常检测和节点亲和力预测等任务上，对所提方法及其竞争方法在七个真实数据集上的准确性、效率、泛化性和定性性能进行了广泛实验评估。
引用
@article{arxiv.2504.00328,
title = {Simple yet Effective Node Property Prediction on Edge Streams under Distribution Shifts},
author = {Jongha Lee and Taehyung Kwon and Heechan Moon and Kijung Shin},
journal= {arXiv preprint arXiv:2504.00328},
year = {2025}
}
备注
14 pages, 14 figures, To Appear in ICDE 2025