动态图学习中的时间感受野：全面分析
机器学习
2024-07-22 v2
摘要
动态链路预测是分析演化网络的关键任务，广泛应用于推荐系统和经济交换等领域。然而，时间感受野这一概念——即模型用于做出预测的temporal context——在现有研究中受到 insufficient 关注且不足够分析。本研究对动态图学习中的时间感受野进行全面分析。通过examining多个数据集和模型，我们正式化了时间感受野的作用，并突出了其对预测准确性的关键影响。我们的结果表明，合理选择的时间感受野可以显著提升模型性能，而对于某些模型来说，过大的窗口可能会引入噪声并降低准确性。我们进行了大量基准测试以验证我们的发现，确保所有实验完全可复现。代码已公开于 https://github.com/ykrmm/BenchmarkTW。
引用
@article{arxiv.2407.12370,
title = {Temporal receptive field in dynamic graph learning: A comprehensive analysis},
author = {Yannis Karmim and Leshanshui Yang and Raphaël Fournier S'Niehotta and Clément Chatelain and Sébastien Adam and Nicolas Thome},
journal= {arXiv preprint arXiv:2407.12370},
year = {2024}
}