迈向更好的动态链接预测评估
机器学习
2022-09-13 v2 社会与信息网络
摘要
尽管近期从静态图学习取得了普遍成功，但从时间演化图学习仍是一个开放挑战。在本工作中，我们针对动态图特有的链接预测设计了更新、更严格的评估流程，这些流程反映了现实世界的考量，以更好地比较方法的优劣。首先，我们创建两种可视化技术来理解边随时间重复出现的模式，并表明许多边在后续时间步重新出现。基于该观察，我们提出一种称为 EdgeBank 的纯记忆基线。由于在当前的评估设置中常使用简单负边，EdgeBank 在多种设置下取得了惊人的强劲表现。为了针对更困难的负边进行评估，我们引入了两种更具挑战性的负采样策略，可提升鲁棒性并更好地匹配现实应用。最后，我们引入了来自当前基准所缺失的多样化领域的六个新动态图数据集，为未来研究提供新挑战与机遇。我们的代码仓库可通过 https://github.com/fpour/DGB.git 访问。
引用
@article{arxiv.2207.10128,
title = {Towards Better Evaluation for Dynamic Link Prediction},
author = {Farimah Poursafaei and Shenyang Huang and Kellin Pelrine and Reihaneh Rabbany},
journal= {arXiv preprint arXiv:2207.10128},
year = {2022}
}