Nov, 2023

动态图中链路预测算法评估的新视角

PDF
TL;DR通过对负采样的可能性进行分类，并引入新的可视化方法以研究预测性能和时间网络动态，我们验证了错误通常在不同数据段之间不均匀分布，并认为这些可视化工具可以成为评估不同层次的动态链接预测方法的强大指南。
dynamic networkspredictive abilitynegative samplingvisualization methodstemporal networks
发现论文，激发创造
  • 连续时间动态链接预测算法性能探索

    通过提出 Birth-Death 图、负采样方法的分类、进行实证研究以及可视化探索，全面评估了动态链接预测算法的性能差异和负采样策略对测试 AUC 的影响。

    May, 2024

  • 动态网络链接预测的更佳评估

    提出了新的评估过程和数据集，以更好地比较不同方法在时间演化图中的强弱，并提出了 EdgeBank 纯记忆基线，该基线有效地解决了当前评估设置中容易的负面边问题，并通过提出更具挑战性的负采样策略改进了鲁棒性和更好地匹配了现实世界的应用。

    Jul, 2022

  • 时序图模型无法捕捉全局时序动态

    最近发布的时间图基准被分析在动态链接属性预测的背景下，我们提出了一个简单的无优化基线，即 “最近流行节点”，在时间图基准的所有中型和大型数据集上优于其他方法。我们提出了两种基于 Wasserstein 距离的度量方式，可以量化数据集的短期和长期全局动态的强度。通过分析我们出乎意料的强基线，我们展示了标准的负采样评估对于具有强时间动态的数据集可能不适用。我们还展示了简单的负采样在训练过程中可能导致模型退化，导致无法排名的、完全饱和的预测结果。我们提出了改进的负采样方案，用于训练和评估，并证明了它们的有用性。我们与非对比训练的模型进行了比较，没有进行负采样。我们的结果提供了一个具有挑战性的基准，并表明时间图网络架构在具有重大全局动态的问题中，如社交媒体、加密货币市场或电子商务中，需要进行深入的思考。我们公开发表了基线、测量和提出的负采样方案的代码。

    Sep, 2023

  • 负采样对知识图谱链接预测的影响分析

    本文通过实证研究，对比了对知识图谱中实体之间关系进行无监督学习的四种嵌入模型（ escal，TransE，DistMult 和 ComplEX）使用不同负采样方法的效果，结果发现使用不同负采样方法得到的效果差异较大，且在不同数据集上表现也各有不同。

    Aug, 2017

  • 从链接预测到预测：基于批次的时间图学习中的信息损失

    本研究通过重新构建动态连接预测作为链接预测任务，更好地考虑了数据中的时间信息，解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。

    Jun, 2024

  • 评估图神经网络在链接预测中的表现：现有缺陷和新基准测试

    本研究旨在克服当前评估链接预测方法存在的问题，包括低于实际性能、部分数据集缺乏统一的数据集划分和评估指标以及易于负采样的不现实评估设置，通过使用相同的数据集和超参数搜索设置对著名方法和数据集进行公平比较，创建基于启发式相关抽样技术的实用评估设置，该评估设置通过多种启发式采样难负样本来提高新挑战和机遇，以与实际情况相一致。

    Jun, 2023

  • 社交媒体中的负链接预测

    本文研究了利用正链接和基于内容的相互作用来预测负链接的负链接预测问题，并提出了一个名为 NeLP 的可行的框架，该框架可以利用正链接和基于内容的相互作用来预测负链接，并在真实社交网络上进行了实验。

    Dec, 2014

  • 基于扩散的图网络负采样在链接预测中的应用

    该研究探索了多层次负采样的新策略，通过潜空间产生具有灵活和可控的 “难度” 级别的负节点，从而实现了有效的图链接预测。实验证明了该方法的有效性。

    Mar, 2024

  • 评估链接预测方法

    本文研究了链接预测领域中评估方法的挑战，提出了新的方法以替代目前方法，提供准确可靠的预测结果，并建议使用精确度 - 召回率曲线和相关面积来解决链接预测分类问题中存在的极端不平衡挑战。

    May, 2015

  • 动态图中的链接预测用于推荐

    本论文提出了一种新的神经网络方法，利用动态图表达用户 - 物品关系的演变，以更好地解决基于链接预测的推荐服务问题，实验证明在用户 - 物品关系随时间变化的场景中，该方法可以获得更好的预测结果，同时揭示了现有方法在面对这种变化时的严重影响。

    Nov, 2018