UTG：统一快照与事件驱动时序图模型的视角
机器学习
2024-12-03 v2 社会与信息网络
摘要
许多现实世界图是内在动态的，随节点和边的添加而不断演化。这类图可以通过时序图表示，一种是边事件流，另一种是图快照序列。迄今为止，针对这两种类型开发的机器学习方法大多在孤立情况下进行，导致在实验比较和理论交叉学习方面存在有限的交叉嗅探。在本文中，我们引入统一时序图 (UTG)，一个在单一框架下统一快照-based 和事件-based 机器学习模型的框架，使为一种表示开发的模型能够有效应用于另一种类型的数据集。我们还提出了一种新颖的 UTG 训练程序，以提升快照-based 模型在流式设置下的性能。我们全面评估了快照和事件-based 模型在两种类型时序图上的时序链接预测任务。我们的主要发现有三点：首先，结合 UTG 训练后，快照-based 模型在事件数据集上能够与 TGN 和 GraphMixer 等事件-based 模型竞争；其次，快照-based 模型在推理期间比大多数事件-based 模型快一个数量级；第三ly，尽管 NAT 和 DyGFormer 等事件-based 方法在两种类型时序图上都优于快照-based 方法，但这是因为它们利用了联合邻域结构特征，从而凸显了将这些特征纳入快照-based 模型的潜力。这些发现突显了独立于数据格式比较模型架构的重要性，并指出了未来将快照-based 模型的效率与事件-based 模型的性能结合的潜力。
引用
@article{arxiv.2407.12269,
title = {UTG: Towards a Unified View of Snapshot and Event Based Models for Temporal Graphs},
author = {Shenyang Huang and Farimah Poursafaei and Reihaneh Rabbany and Guillaume Rabusseau and Emanuele Rossi},
journal= {arXiv preprint arXiv:2407.12269},
year = {2024}
}