BriefGPT - AI 论文速递
·
时序网络的课程负采样
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
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。
🎯
关键要点
- 最新发布的时间图基准在动态链接属性预测中表现优异。
- 提出了简单的无优化基线 '最近流行节点'，在中型和大型数据集上优于其他方法。
- 引入基于Wasserstein距离的度量方式，量化数据集的短期和长期全局动态强度。
- 标准的负采样评估可能不适用于具有强时间动态的数据集。
- 简单的负采样可能导致模型退化，产生无法排名的预测结果。
- 提出了改进的负采样方案，并证明其在训练和评估中的有效性。
- 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需要深入思考。
- 研究结果适用于社交媒体、加密货币市场和电子商务等领域。
- 公开发表了基线、测量和负采样方案的代码。
➡️
