时序网络的课程负采样
原文中文,约400字,阅读约需1分钟。发表于: 。通过引入 Curriculum Negative Mining (CurNM),我们提出了一种模型感知的课程学习框架,可以自适应地调整负样本的难度,以解决在训练 TGNNs 中所面临的正样本稀疏和正样本变化的挑战。实验结果表明,我们的方法在 12 个数据集和 3 个 TGNNs 上的性能显著优于基准方法,进一步的消融研究和参数敏感性实验验证了我们方法的有效性和稳健性。
最新发布的时间图基准表明,流行的节点方法在中大型数据集上表现优异。通过分析强基线,发现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。提出了改进的负采样方案,并与非对比训练的模型进行了比较。结果显示时间图网络架构在具有重大全局动态的问题中需要深入思考。