論文の概要: What Do Temporal Graph Learning Models Learn?

• arxiv url: http://arxiv.org/abs/2510.09416v1
• Date: Fri, 10 Oct 2025 14:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:49.203448
• Title: What Do Temporal Graph Learning Models Learn?
• Title（参考訳）: 時間グラフ学習モデルは何を学ぶか?
• Authors: Abigail J. Hayes, Tobias Schumacher, Markus Strohmaier,
• Abstract要約: 時間グラフのリンク構造に関連する8つの基本属性を抽出する能力について7つのモデルを評価する。 モデルはいくつかの属性をうまくキャプチャするが、他の属性を再現することができない。
• 参考スコア（独自算出の注目度）: 2.94844545455225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning on temporal graphs has become a central topic in graph representation learning, with numerous benchmarks indicating the strong performance of state-of-the-art models. However, recent work has raised concerns about the reliability of benchmark results, noting issues with commonly used evaluation protocols and the surprising competitiveness of simple heuristics. This contrast raises the question of which properties of the underlying graphs temporal graph learning models actually use to form their predictions. We address this by systematically evaluating seven models on their ability to capture eight fundamental attributes related to the link structure of temporal graphs. These include structural characteristics such as density, temporal patterns such as recency, and edge formation mechanisms such as homophily. Using both synthetic and real-world datasets, we analyze how well models learn these attributes. Our findings reveal a mixed picture: models capture some attributes well but fail to reproduce others. With this, we expose important limitations. Overall, we believe that our results provide practical insights for the application of temporal graph learning models, and motivate more interpretability-driven evaluations in temporal graph learning research.
• Abstract（参考訳）: 時間グラフの学習はグラフ表現学習において中心的な話題となり、多くのベンチマークでは最先端モデルの強い性能を示している。 しかし、最近の研究は、一般的に使われている評価プロトコルの問題と単純なヒューリスティックスの驚くほどの競争力について、ベンチマーク結果の信頼性に関する懸念を提起している。 このコントラストは、基礎となるグラフの時間的グラフ学習モデルのどの特性が実際にそれらの予測に使用されるのかという疑問を提起する。 本研究では,時間グラフのリンク構造に関連する8つの基本属性を抽出できる7つのモデルを体系的に評価することで,この問題に対処する。 これには密度のような構造的特徴、直流のような時間的パターン、ホモフィリーのようなエッジ形成機構が含まれる。 合成データセットと実世界のデータセットの両方を用いて、モデルがこれらの属性をいかにうまく学習するかを分析する。 モデルはいくつかの属性をうまくキャプチャするが、他の属性を再現することができない。 これにより、重要な制限が明らかになります。 本研究は,時間グラフ学習モデルの適用に関する実践的な知見を提供し,時間グラフ学習研究においてより解釈可能性に基づく評価を動機付けるものであると考えている。

関連論文リスト

• Towards Foundation Model on Temporal Knowledge Graph Reasoning [17.165969719351125]
  時間的知識グラフ(TKG)は、時間的事実を4重形式(s, p, o, t)で格納する。 新しいモデルは、細粒度時間パターンを捉えるために正弦波位置符号化を用いる。 PostRAは、目に見えない時間的知識グラフに強いゼロショット性能を示す。
  論文  参考訳（メタデータ） (2025-06-04T09:19:49Z)
• On the Power of Heuristics in Temporal Graphs [2.5957835343537266]
  データセット間の信頼度と人気度の影響を定量化するメトリクスを導入します。 その結果、公正な比較を可能にし、より堅牢な時間グラフモデルの開発を促進するための洗練された評価手法の重要性を強調した。
  論文  参考訳（メタデータ） (2025-02-07T13:28:31Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
  本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。 RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
  論文  参考訳（メタデータ） (2022-08-18T01:31:25Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Tucker decomposition-based Temporal Knowledge Graph Completion [35.56360622521721]
  次数4テンソルのタッカー分解にインスパイアされた時間知識グラフ補完のための新しいテンソル分解モデルを構築する。 提案モデルは完全に表現力のあるモデルであることが実証され、いくつかの公開ベンチマークに対して最先端の結果が報告される。
  論文  参考訳（メタデータ） (2020-11-16T07:05:52Z)
• Out-of-Sample Representation Learning for Multi-Relational Graphs [8.956321788625894]
  非分散知識グラフに対するアウトオブサンプル表現学習問題について検討する。 このタスクのためのベンチマークデータセットを作成し、いくつかのモデルとベースラインを開発し、提案したモデルとベースラインの実証分析と比較を提供する。
  論文  参考訳（メタデータ） (2020-04-28T00:53:01Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• A Survey of Adversarial Learning on Graphs [59.21341359399431]
  本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。 具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。 我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
  論文  参考訳（メタデータ） (2020-03-10T12:48:00Z)

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。