論文の概要: Base3: a simple interpolation-based ensemble method for robust dynamic link prediction

• arxiv url: http://arxiv.org/abs/2506.12764v1
• Date: Sun, 15 Jun 2025 08:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.80915
• Title: Base3: a simple interpolation-based ensemble method for robust dynamic link prediction
• Title（参考訳）: Base3:ロバストな動的リンク予測のための単純な補間に基づくアンサンブル法
• Authors: Kondrup Emma,
• Abstract要約: 当社はEdgeBankベースラインの強力な反復ベースの基盤を構築しています。 本稿では,時間的共起パターンと周辺活動を追跡するメモリモジュールt-CoMemを提案する。 私たちは、EdgeBank、PopTrack、t-CoMemを統一的なスコアリングフレームワークに融合するリンクベースのモデルであるBase3を紹介します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic link prediction remains a central challenge in temporal graph learning, particularly in designing models that are both effective and practical for real-world deployment. Existing approaches often rely on complex neural architectures, which are computationally intensive and difficult to interpret. In this work, we build on the strong recurrence-based foundation of the EdgeBank baseline, by supplementing it with inductive capabilities. We do so by leveraging the predictive power of non-learnable signals from two complementary perspectives: historical edge recurrence, as captured by EdgeBank, and global node popularity, as introduced in the PopTrack model. We propose t-CoMem, a lightweight memory module that tracks temporal co-occurrence patterns and neighborhood activity. Building on this, we introduce Base3, an interpolation-based model that fuses EdgeBank, PopTrack, and t-CoMem into a unified scoring framework. This combination effectively bridges local and global temporal dynamics -- repetition, popularity, and context -- without relying on training. Evaluated on the Temporal Graph Benchmark, Base3 achieves performance competitive with state-of-the-art deep models, even outperforming them on some datasets. Importantly, it considerably improves on existing baselines' performance under more realistic and challenging negative sampling strategies -- offering a simple yet robust alternative for temporal graph learning.
• Abstract（参考訳）: 動的リンク予測は、時間グラフ学習における中心的な課題であり、特に実世界の展開において効果的かつ実用的なモデルの設計において重要である。 既存のアプローチは、計算集約的で解釈が難しい複雑なニューラルネットワークアーキテクチャに依存していることが多い。 本研究は、EdgeBankベースラインの強力な反復ベースの基盤を構築し、それをインダクティブな機能で補足する。 我々は、EdgeBankが捉えた歴史的エッジの再発と、PopTrackモデルで導入されたグローバルノードの人気という、2つの相補的な視点から、学習不可能な信号の予測力を活用する。 本稿では,時間的共起パターンと周辺活動を追跡する軽量メモリモジュールt-CoMemを提案する。 この上に構築されたBase3は、EdgeBank、PopTrack、t-CoMemを統一的なスコアリングフレームワークに融合した補間ベースのモデルです。 この組み合わせは、トレーニングに頼ることなく、ローカルとグローバルの時間的ダイナミクス(繰り返し、人気、コンテキスト)を効果的に橋渡しします。 テンポラルグラフベンチマークに基づいて評価すると、Base3は最先端のディープモデルとパフォーマンスを競い合っており、一部のデータセットではパフォーマンスが優れています。 重要なのは、より現実的で挑戦的なネガティブなサンプリング戦略の下で、既存のベースラインのパフォーマンスを大幅に改善することです。

関連論文リスト

• STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization [34.53308463024231]
  本稿では,時空間探索型パターン学習フレームワークSTRAPを提案する。 推論中、STRAPは現在の入力と類似性に基づいてライブラリから関連するパターンを検索し、プラグイン・アンド・プレイ・プロンプト機構を介してモデルに注入する。 複数の実世界のストリーミンググラフデータセットに対する実験によると、STRAPはSTOODタスクの最先端STGNNベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T06:11:05Z)
• Future Link Prediction Without Memory or Aggregation [25.066464612400768]
  時間グラフの将来のリンク予測は、実世界の動的システムに広く適用可能な基本課題である。 既存のメソッドは通常、複雑なメモリとアグリゲーションモジュールに依存しますが、目に見えないエッジを扱うのに苦労しています。 本稿では,メモリやアグリゲーションモジュールを捨てるシンプルなアーキテクチャであるCRAFT(Cross-Attention based Future Link Predictor on Temporal Graphs)を提案する。
  論文  参考訳（メタデータ） (2025-05-26T01:53:27Z)
• Hierarchical Temporal Context Learning for Camera-based Semantic Scene Completion [57.232688209606515]
  カメラによるセマンティックシーンの補完を改善するための,新たな時間的文脈学習パラダイムであるHTCLを提案する。 提案手法は,Semantic KITTIベンチマークで1st$をランク付けし,mIoUの点でLiDARベースの手法を超えている。
  論文  参考訳（メタデータ） (2024-07-02T09:11:17Z)
• GPT-ST: Generative Pre-Training of Spatio-Temporal Graph Neural Networks [24.323017830938394]
  この作業は、ベースラインとシームレスに統合し、パフォーマンスを向上する事前トレーニングフレームワークを導入することで、課題に対処することを目的としている。 フレームワークは2つの重要な設計に基づいて構築されている。 Apple-to-appleマスクオートエンコーダは、学習時間依存のための事前トレーニングモデルである。 これらのモジュールは、時間内カスタマイズされた表現とセマンティック・クラスタ間関係を捉えるように設計されている。
  論文  参考訳（メタデータ） (2023-11-07T02:36:24Z)
• Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks for Traffic Forecasting [12.568905377581647]
  交通予測は交通科学と人工知能における最も基本的な問題の一つである。 既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。 本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-25T03:37:00Z)
• Ret3D: Rethinking Object Relations for Efficient 3D Object Detection in Driving Scenes [82.4186966781934]
  Ret3Dと呼ばれるシンプルで効率的で効果的な2段階検出器を導入する。 Ret3Dの中核は、新しいフレーム内およびフレーム間関係モジュールの利用である。 無視できる余分なオーバーヘッドにより、Ret3Dは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-18T03:48:58Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。