arXiv来源发表:
时序图预测先画拓扑蓝图:TopoGED在14个数据集上把边预测指标从近零拉起
核心概要
时序图学习通常把未来预测当成在基本固定的节点集上给边或节点标签打分,一旦新节点涌入,未来图就成了规模与结构都变化的新对象。TopoGED把这一任务改写为逆拓扑问题:先预测未来图的多尺度拓扑描述子,再在归纳约束下重建出能实现该描述子的未来快照。在14个时序图数据集上,它的节点级预测宏平均优于最强基线,并在多数图结构指标评估中胜出,宏平均边预测指标从接近零提升到非零水平。
深度剖析
时序图预测的目标从给候选边打分,变成直接生成下一时刻的完整图快照,节点增删和结构变化都成为显式预测对象。 以往方法大多在基本固定的节点集合上做判别式推断,只关注边或节点标签,遇到新节点和新边出现时这一假设失效。 在14个时序图数据集上,TopoGED的节点级预测宏平均高于最强基线,并在12项图结构指标评估中赢下多数,宏平均边预测指标从接近零提升到非零。
做法是先预测一张图的拓扑摘要,再据此把图拼出来。 所用的描述子是沿节点度阈值做过滤得到的多尺度序列,记录每个阈值下活跃节点数与诱导边数,末端阈值正好还原快照的节点和边规模。 预测器同时给出下一快照的节点预算、边预算和新节点比例;记忆模块从最近若干快照中挑选重现的旧节点,新节点按到达预算实例化,解码器再按旧–旧已见、旧–旧新见、旧–新、新–新四类边分阶段生成。
启示与展望
演示范围是离散时间快照预测:在14个时序交互数据集上,用截至某一时刻的快照序列预测下一快照,并在预测图上评估结构、节点和边三类指标。
新到达节点只按数量和结构角色生成,模型不使用其外部身份,因此无法在观测到之前预测新节点具体是谁;连续时间事件生成与未观测节点身份预测被列为后续方向。
