論文の概要: Back to All-Entity Ranking: Sampler-Dependent Evaluation in Continuous-Time Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2607.27861v1
• Date: Thu, 30 Jul 2026 08:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.465222
• Title: Back to All-Entity Ranking: Sampler-Dependent Evaluation in Continuous-Time Dynamic Graphs
• Title（参考訳）: Back to All-Entity Ranking: 連続時間動的グラフにおけるサンプリング依存評価
• Abstract要約: CTDGsの次の決定予測は、サンプルされた負の目的地に対する観測された相互作用をランク付けする。 非均一な負の分布がベイズ最適ランクを変化させることを示す。 本機構は, 観察・未知の陰性に対する繰り返し陽性, 新規陽性の因子的評価を用いて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next-destination prediction in continuous-time dynamic graphs (CTDGs) commonly ranks an observed interaction against sampled negative destinations. The resulting score is conditional on both the negative distribution and the number of candidates chosen by the researcher. We show that a non-uniform negative distribution changes the Bayes-optimal ranking, while even a finite candidate set drawn uniformly can destabilize model rankings and measured module effects. Time-varying source-destination history membership and model operations that use this information directly transmit the sampler's influence to the evaluation score. We examine this mechanism using a factorial evaluation of repeated and new positives against seen and unseen negatives, a minimal scorer based solely on pair-history membership, and controlled representation interventions. Across six models on LastFM, MOOC, Reddit, and Wikipedia, at least one model pair changes relative order between the expected Uniform-20 metric and the full catalog on three of the four datasets. The measured effect of the same module also changes in magnitude and direction with the candidate-set size and training objective. These results establish that model-superiority and ablation conclusions from sampled-negative benchmarks are conditional on the stated candidate configuration. All-entity ranking evaluates every destination in a fixed catalog, eliminating negative-selection freedom and sampling variation while retaining the original CTDG scorer. We therefore recommend all-entity ranking as the primary evidence for architecture comparisons on CTDG benchmarks with an enumerable, fixed destination catalog.
• Abstract（参考訳）: 連続時間動的グラフ(CTDG)の次決定予測は、通常、サンプリングされた負の目的地に対する観測された相互作用をランク付けする。 結果のスコアは、負の分布と研究者が選択した候補数の両方に条件づけられる。 非一様負の分布がベイズ最適ランクを変化させる一方で、一様に描画された有限候補集合でさえモデルランキングと測定モジュール効果を不安定にすることができることを示す。 この情報を利用する時系列のソース決定履歴メンバシップとモデル操作は、サンプルの影響力を直接評価スコアに伝達する。 本機構は,見知らぬ否定に対する繰り返しと新しい肯定の要因的評価,ペア歴史会員のみに基づく最小スコアラー,表現介入の制御を用いて検討する。 LastFM、MOOC、Reddit、Wikipediaの6つのモデルのうち、少なくとも1つのモデルペアは、期待されるUniform-20メトリックと4つのデータセットのうち3つの完全なカタログの相対的な順序を変更する。 同じモジュールの測定効果は、候補セットのサイズとトレーニング目標とともに、大きさと方向も変化する。 これらの結果から, サンプル陰性ベンチマークのモデル優位性とアブレーションの結論は, 条件付き候補設定に基づいて決定されることがわかった。 All-entity Rankは、固定されたカタログ内のすべての宛先を評価し、元のCTDGスコアラを保持しながら、負の選択の自由とサンプリングのばらつきを排除する。 そこで我々は,CTDGベンチマークにおけるアーキテクチャ比較の主要な証拠として,全エンタリティランキング(All-entity ranking)を推奨する。

関連論文リスト

• A Consensus-Based Framework for Relative Preference Evaluation of Large Language Models [0.0]
  本稿では,絶対的正当性ではなく,モデル生成応答間の相対的嗜好を測定する,コンセンサスに基づく評価フレームワークを提案する。 我々は、プログラミング、一般知識、安全性、論理的推論、数学を含む、複数の領域にわたる最先端のLLMを用いて、制御された研究を行う。 スコアはリレーショナルインテリジェンス指数(RII)に集約され、モデルの反応が他のモデルでどれだけ頻繁に好まれるかを表す。
  論文  参考訳（メタデータ） (2026-07-19T08:59:19Z)
• ReMoDEx: A Local-to-Global Relevance-Based Model Decision Explainability Framework for large-Scale Image Datasets [1.6567880228735359]
  ReMoDEx(Relevance Based Model Decision Explainability)は、画像分類におけるモデル決定行動の体系的、データセットスケール評価のためのフレームワークである。 ReMoDExは、モデル推論、ターゲットクラス選択、関連マップ生成、ヒートマップ標準化、パターンの類似性に基づくグループ化、クラスタレベルの解釈、空間関連評価といったステップワイズパイプラインを定義している。 ReMoDEx は VGG16 をベースとした COVID-19, Normal, Lung Opacity, Viral Pneumonia を識別する分類器に応用した。
  論文  参考訳（メタデータ） (2026-07-08T01:15:50Z)
• CollabEval: Statistically Efficient Collaborative Model Evaluation via Matrix Completion [65.53153291902454]
  コラボレーティブ・アセスメント(CollabEval)は、異なるモデルの歴史的実行間の依存関係を同じタスクで活用し、統計的効率を改善するための、シンプルで効果的で原則化された方法である。 スコア行列の低ランク近似を構築し、再構成された値を用いて真の評価基準平均の偏りのない推定を保証します。 その結果,CollabEval では,平均信頼区間サイズと点推定値の平均2乗誤差を,同じアノテーション予算における基準手法と比較して大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2026-07-06T13:22:04Z)
• DualEval: Joint Model-Item Calibration for Unified LLM Evaluation [67.99119926012686]
  DualEvalは、モデルと評価項目を共有空間で表現する潜在モデルイテムキャリブレーションフレームワークである。 我々はDualEvalを、コーディング、数学、雑多なドメイン知識タスク、汎用的な日常的なユーザクエリの4つの領域にまたがって適用する。
  論文  参考訳（メタデータ） (2026-06-24T22:40:46Z)
• Monte Carlo Pass Search: Using Trajectory Generation for 3D Counterfactual Pass Evaluation in Football [0.0]
  我々は,モンテカルロ木探索(MCTS)のような評価問題として,サッカー(サッカー)におけるパス評価を再放送した。 モンテカルロパスサーチ(MCPS)を導入し,各パスのキックパラメータを推定する。 ベースラインに比べて20の予測精度が優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-09T17:16:30Z)
• When Metrics Disagree: A Meta-Analysis of Knowledge-Graph-Completion Model Benchmarking [0.0]
  本稿では, 整合性, クロスデータセット安定性, 距離独立性, 雑音下での頑健性, 一般化性という, 5つのテストにまたがる7つのアグリゲータのメタ分析について述べる。 Across tail $(h,r,?)$ and relation $(h,?,t)$ prediction, Z-score is the most balanced aggregator, which rank of DualE highest for tail prediction, FMS highest for relation prediction。 このフレームワークは、評価の不整合を解消し、KGCにおけるアグリゲータの選択とモデルベンチマークのためのエビデンスベースのガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-06-09T01:20:43Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• A Case Study on Sampling Strategies for Evaluating Neural Sequential Item Recommendation Models [69.32128532935403]
  負の項目をサンプリングする2つのよく知られた戦略は、一様ランダムサンプリングと人気によるサンプリングである。 我々は、現在最先端のシーケンシャルレコメンデータモデルを再評価する。 いずれのサンプリング戦略も,モデルの完全なランキングと比較すると,一貫性のないランキングを生成できることがわかった。
  論文  参考訳（メタデータ） (2021-07-27T19:06:03Z)
• Instance-Level Relative Saliency Ranking with Graph Reasoning [126.09138829920627]
  そこで本研究では,有意な事例を分割し,相対的有意な有意なランク順序を推定するための統一モデルを提案する。 また、サラレンシーランキングブランチを効果的にトレーニングするために、新しい損失関数も提案されている。 実験の結果,提案手法は従来の手法よりも有効であることがわかった。
  論文  参考訳（メタデータ） (2021-07-08T13:10:42Z)

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。