論文の概要: Do Temporal Link Predictors Need Learned Memory? A Smoothed-Count Baseline with a Handful of Parameters

• arxiv url: http://arxiv.org/abs/2609.35364v1
• Date: Mon, 28 Sep 2026 15:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 06:10:48.326594
• Title: Do Temporal Link Predictors Need Learned Memory? A Smoothed-Count Baseline with a Handful of Parameters
• Title（参考訳）: テンポラルリンク予測器は記憶を学習する必要があるか? : パラメータを多用した平滑なベースライン
• Abstract要約: 統計的言語モデリングに基づく時間リンク予測器を提案する。 ソース間で遷移と共起数をプールし、ソースが生成したことのないリンクを予測する。
• 参考スコア（独自算出の注目度）: 4.032084095153604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many temporal link predictors summarize past interactions through learned node representations. We examine whether simple counts of recurring interaction patterns can provide competitive predictions without learning these representations. We propose a temporal link predictor based on statistical language modelling. It pools transition and co-occurrence counts across sources to predict links that a source has never formed. We smooth sparse estimates using destination frequencies or Kneser-Ney continuation counts. A shared log-linear rule combines these estimates with popularity, source history, and recency, without node embeddings. In our main evaluation, the model achieves the highest MRR among the compared methods on 7 out of 16 datasets from TGB and TGB-Seq. It also outperforms EdgeBank and Base3 on all 16 datasets and the heuristic family on 14. These gains extend to datasets designed to limit repeated edges. With only 9--13 learned parameters, our model provides a simple and competitive baseline for evaluating future neural temporal link predictors.
• Abstract（参考訳）: 多くの時間リンク予測子は学習ノード表現を通して過去の相互作用を要約する。 繰り返し発生する相互作用パターンの単純なカウントが,これらの表現を学習することなく,競争力のある予測を実現できるかどうかを検討する。 統計的言語モデリングに基づく時間リンク予測器を提案する。 ソース間で遷移と共起数をプールし、ソースが生成したことのないリンクを予測する。 目的地周波数やKneser-Ney継続数を用いたスムースなスパース推定を行う。 共有ログリニアルールは、これらの見積をノード埋め込みなしで、人気、ソース履歴、および遅延と組み合わせる。 主な評価では,TGB と TGB-Seq から得られた16 個のデータセットのうち,比較手法のうち,最も高い MRR を達成している。 また、EdgeBankとBase3が16のデータセットと14のヒューリスティックなファミリーで上回っている。 これらのゲインは、繰り返しエッジを制限するように設計されたデータセットにまで拡張される。 9-13の学習パラメータだけで、我々のモデルは将来の神経時間リンク予測器を評価するためのシンプルで競争力のあるベースラインを提供する。

関連論文リスト

• An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
  Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。 これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか? 我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
  論文  参考訳（メタデータ） (2026-05-08T02:00:11Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Enhancing Foundation Models for Time Series Forecasting via Wavelet-based Tokenization [74.3339999119713]
  我々はウェーブレットベースのトークンーザを開発し、時間局所化周波数の空間でモデルが複雑な表現を直接学習できるようにする。 提案手法は,まず入力時系列をスケール・分解し,次に閾値を設定し,ウェーブレット係数を定量化し,最後に予測水平方向の係数を予測する自己回帰モデルを事前学習する。
  論文  参考訳（メタデータ） (2024-12-06T18:22:59Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。 これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)
• Temporal Smoothness Regularisers for Neural Link Predictors [8.975480841443272]
  TNTComplExのような単純な手法は、最先端の手法よりもはるかに正確な結果が得られることを示す。 また,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響についても検討した。
  論文  参考訳（メタデータ） (2023-09-16T16:52:49Z)
• Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting [0.0]
  時系列予測はデータサイエンスにおける根本的な課題である。 RNNとCNNを組み合わせた並列ディープラーニングフレームワークを開発した。 3つのデータセットに対する大規模な実験により,本手法の有効性が明らかとなった。
  論文  参考訳（メタデータ） (2023-05-08T17:20:13Z)
• A shallow neural model for relation prediction [2.2559617939136505]
  本稿では,エンティティからの欠落関係を正確に推測する浅層神経モデル(shallom)を提案する。 本実験は、SHALLOMがFB15K-237およびWN18RRデータセットにおける最先端のアプローチを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-01-22T13:10:11Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Tensor Decompositions for temporal knowledge base completion [18.09363207672722]
  我々は,新しい正規化方式を導入し,最先端性能を実現するComplEx(Trouillon et al., 2016)の拡張を提案する。 また,Wikidataから構築した知識ベース補完のための新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2020-04-10T07:09:30Z)

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。