TGB-Seq 基准：用复杂序列动态挑战时序图神经网络
机器学习
2025-03-18 v3 人工智能
摘要
未来链接预测是各种现实动态系统中的一个基本挑战。为解决此问题，已开发出众多时序图神经网络（temporal GNNs）和基准数据集。然而，这些数据集通常包含过多的重复边，且缺乏复杂的序列动态，而这是许多现实应用（如推荐系统和社交网络上的“关注推荐”）中固有的关键特征。这一疏忽导致现有方法无意中低估了学习序列动态的重要性，主要侧重于预测重复边。在本研究中，我们证明现有方法（如 GraphMixer 和 DyGFormer）本质上无法学习简单的序列动态，例如“关注了 OpenAI 和 Anthropic 的用户接下来更可能关注 Meta 的 AI”。受此问题启发，我们引入了时序图序列动态基准（TGB-Seq），这是一个精心设计的新基准，旨在最小化重复边，挑战模型学习序列动态并泛化到未见过的边。TGB-Seq 包含来自不同领域的大型真实数据集，涵盖电子商务互动、电影评分、商业评论、社交网络、引文网络和网页链接网络。基准实验表明，当前方法在 TGB-Seq 上通常性能显著下降，并产生大量训练成本，为未来研究带来了新的挑战和机遇。TGB-Seq 数据集、排行榜和示例代码可在 https://tgb-seq.github.io/ 获取。
引用
@article{arxiv.2502.02975,
title = {TGB-Seq Benchmark: Challenging Temporal GNNs with Complex Sequential Dynamics},
author = {Lu Yi and Jie Peng and Yanping Zheng and Fengran Mo and Zhewei Wei and Yuhang Ye and Yue Zixuan and Zengfeng Huang},
journal= {arXiv preprint arXiv:2502.02975},
year = {2025}
}
备注
published at ICLR 2025