动态图上的 DGNN 测试时模型评估
机器学习
2025-09-30 v1
摘要
动态图神经网络 (DGNN) 已成为学习动态图的领先方法，动态图常用于建模真实世界系统和应用。然而，由于动态图数据分布随时间演变，训练良好的 DGNN 在实际部署中对未见且无标签的测试图推理时常面临显著的性能不确定性。在这种情况下，在测试时评估已部署 DGNN 的性能至关重要，以确定训练良好的 DGNN 是否适用于推理未见的动态测试图。本文引入了新的研究问题：DGNN 模型评估，其旨在在测试时估计特定在观察到的动态图上训练的 DGNN 模型在未见动态图上的性能。具体而言，我们提出了动态图神经网络评估器，称为 DyGEval，以解决这一新问题。所提出的 DyGEval 涉及两个阶段：(1) 测试时动态图仿真，捕捉训练-测试分布差异作为监督信号并训练评估器；(2) DyGEval 开发与训练，准确估计在测试时动态图上的已训练 DGNN 模型性能。广泛的实验表明，所提出的 DyGEval 是一种有效的评估器，可在分布迁移下评估各种 DGNN 主干网络在不同动态图上的性能。
引用
@article{arxiv.2509.23816,
title = {Test-time GNN Model Evaluation on Dynamic Graphs},
author = {Bo Li and Xin Zheng and Ming Jin and Can Wang and Shirui Pan},
journal= {arXiv preprint arXiv:2509.23816},
year = {2025}
}
备注
Accepted by ICDM 2025