T-GRAB：用于学习时序图的合成诊断基准
机器学习
2025-07-23 v2
摘要
动态图学习方法最近涌现为强大的建模工具，用于处理随时间演化的关系数据。然而，尽管已有大量基准测试努力，但当前的时序图神经网络（TGNNs）是否有效捕捉核心时序模式（如周期性、因果关系和长程依赖）仍不明确。本文引入时序图推理基准（T-GRAB），一套旨�系统性探索TGNNs跨时间推理能力的综合性合成任务集合。T-GRAB提供受控、可解释的任务，以隔离关键时序技能：计数/记忆周期重复、推断延迟因果效应以及捕捉跨空间和时间维度的长程依赖。我们在这些任务上评估了11种时序图学习方法，揭示了其在泛化时序模式方面存在根本性不足。我们的发现为改进当前模型能力提供了可操作见解，揭示了传统真实世界基准测试隐藏的挑战，并催生了具备更强时序推理能力的体系结构的开发。T-GRAB的代码可在https://github.com/alirezadizaji/T-GRAB获取。
引用
@article{arxiv.2507.10183,
title = {T-GRAB: A Synthetic Diagnostic Benchmark for Learning on Temporal Graphs},
author = {Alireza Dizaji and Benedict Aaron Tjandra and Mehrab Hamidi and Shenyang Huang and Guillaume Rabusseau},
journal= {arXiv preprint arXiv:2507.10183},
year = {2025}
}
备注
Accepted to MLoG-GenAI Workshop @ KDD 2025 (Oral)