論文の概要: TTGBench: Benchmarking Topological Evolution and Semantic Drift in Text-attributed Temporal Graphs

• arxiv url: http://arxiv.org/abs/2609.08226v1
• Date: Tue, 08 Sep 2026 04:19:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.574313
• Title: TTGBench: Benchmarking Topological Evolution and Semantic Drift in Text-attributed Temporal Graphs
• Title（参考訳）: TTGBench:テキスト分散時間グラフにおけるトポロジ的進化とセマンティックドリフトのベンチマーク
• Abstract要約: 時間グラフ学習は動的システムの進化をモデル化し、構造的相互作用と意味的状態の両方が時間とともに変化する。 構造と意味の進化を共同で評価する新しいベンチマークである textbfTTGBench を導入する。 本稿では,時間グラフニューラルネットワーク(TGNN)とLarge Language Model(LLM)に基づくパラダイムを用いた17の最先端手法の総合評価を行う。
• 参考スコア（独自算出の注目度）: 24.36945438269572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal graph learning models the evolution of dynamic systems, where both structural interactions and semantic states change over time. However, existing benchmarks primarily emphasize structural evolution via temporal link prediction (TLP), while support for semantic evolution remains limited. Although temporal node classification (TNC) is sometimes included, it is typically restricted to simplistic binary settings that fail to capture realistic semantic drift. Moreover, commonly used datasets exhibit high link repetition, leading to inflated performance estimates and obscuring true model capability. To address these limitations, we introduce \textbf{TTGBench}, a new benchmark that jointly evaluates structural and semantic evolution. TTGBench comprises six real-world, text-rich datasets characterized by \emph{Dual Volatility}, enabling rigorous and fair evaluation of existing models. Notably, it is the first benchmark to support both multi-class and multi-label TNC, filling a critical gap in evaluating temporal semantic drift. We conduct a comprehensive evaluation of 17 state-of-the-art methods across Temporal Graph Neural Networks (TGNNs) and Large Language Model (LLM)-based paradigms. The results reveal a clear \emph{capability divide} between the two paradigms: TGNN-based methods excel at structural prediction but fail at semantic tracking, whereas LLM-based predictors show the opposite trend. Through in-depth analysis, we uncover their fundamental limitations and provide insights for developing more comprehensive temporal graph models.
• Abstract（参考訳）: 時間グラフ学習は、構造的相互作用と意味的状態の両方が時間とともに変化する動的システムの進化をモデル化する。 しかし、既存のベンチマークは主に時間的リンク予測(TLP)による構造的進化を強調しているが、セマンティック進化のサポートは限られている。 時間ノード分類(TNC)は時々含まれるが、現実的なセマンティックドリフトを捉えるのに失敗する単純なバイナリ設定に制限される。 さらに、一般的に使用されるデータセットはリンクの繰り返しが高く、膨らませた性能推定や真のモデル能力の隠蔽につながる。 これらの制約に対処するために、構造的および意味的進化を共同で評価する新しいベンチマークである \textbf{TTGBench} を導入する。 TTGBenchは、‘emph{Dual Volatility}’を特徴とする6つの実世界のテキストリッチデータセットで構成されており、既存のモデルの厳密かつ公正な評価を可能にしている。 特に、マルチクラスとマルチラベルのTNCの両方をサポートする最初のベンチマークであり、時間的セマンティックドリフトを評価する上で重要なギャップを埋めている。 本稿では,時間グラフニューラルネットワーク(TGNN)とLarge Language Model(LLM)に基づくパラダイムを用いた17の最先端手法の総合評価を行う。 TGNNベースの手法は構造予測では優れるがセマンティックトラッキングでは失敗するが,LSMベースの予測器では逆の傾向を示す。 詳細な分析を通じて、それらの基本的な限界を明らかにし、より包括的な時間グラフモデルを開発するための洞察を提供する。

関連論文リスト

• When GNNs Fail: Quantifying and Overcoming Temporal Correlation Volatility in Time Series [14.456983509027195]
  本稿では、2つの理論的基盤設計機構によって強化された新しいGNN層であるGLIDE(Graph Layer for Inference in Dynamic En-Vironments)を提案する。 合成および実世界のベンチマークの実験では、GLIDEは静的および動的設定で平均性能を最大45.6%改善している。
  論文  参考訳（メタデータ） (2026-08-07T15:28:45Z)
• Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models [59.8742208800447]
  分離および分散条件付きプロンプトに基づく動的グラフ基礎モデルであるDyGFMを提案する。 DyGFMは、ノード分類とリンク予測の両方において、12の最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:50:03Z)
• Pruning for Generalization: A Transfer-Oriented Spatiotemporal Graph Framework [0.6435984242701042]
  グラフベースの時系列予測モデルを改善するため,TL-GPSGNTを提案する。 情報理論および相関に基づく基準を用いて,構造的情報的部分グラフを抽出する。 TL-GPSGNTは低データ転送シナリオにおけるベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-04T02:41:29Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• EvoFormer: Learning Dynamic Graph-Level Representations with Structural and Temporal Bias Correction [16.798673711008906]
  動的グラフレベルの埋め込みは、ネットワークの構造的進化を捉えることを目的としている。 既存の手法は、構造的訪問バイアスと急激な進化盲点という、2つの重要かつ未調査の課題に直面している。 動的グラフレベルの表現学習に適した進化対応トランスフォーマーフレームワークであるEvoFormerを提案する。
  論文  参考訳（メタデータ） (2025-08-21T09:19:54Z)
• 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)
• Unifying Text Semantics and Graph Structures for Temporal Text-attributed Graphs with Large Language Models [25.780463407652295]
  時間グラフニューラルネットワーク(TGNN)は時間グラフモデリングにおいて顕著な性能を示した。 TTAGモデリングのための既存のTGNNをシームレスに拡張するフレキシブルなフレームワークである textbfCROSS を提案する。
  論文  参考訳（メタデータ） (2025-03-18T16:50:10Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)

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。