論文の概要: Revisiting Temporal Link Prediction through Structural Proximity

• arxiv url: http://arxiv.org/abs/2610.38385v1
• Date: Wed, 28 Oct 2026 07:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.381383
• Title: Revisiting Temporal Link Prediction through Structural Proximity
• Title（参考訳）: 構造的近接性による時間リンク予測の再検討
• Abstract要約: 古典的な構造的近接測度は,既存の手法に適合し,あるいは優れることを示す。 タイムデケイPPRは、比較手法のうち、9位と2位にランクインしている。
• 参考スコア（独自算出の注目度）: 27.426417875476158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing temporal link prediction methods typically rely on learned temporal representations to capture evolving interaction patterns. In this paper, we show that a classical structural proximity measure can match or outperform these methods without training or learned temporal sequence modeling. We revisit Personalized PageRank (PPR) on historical interaction graphs, using simple sliding-window retention or exponential time decay. Surprisingly, across 14 datasets, Time-decay PPR ranks first on nine and second on four among the compared methods, including datasets with few repeated edges. To understand this result, we examine the historical paths connecting source nodes to previously unseen destinations. We find that such paths contain useful predictive information, and that PPR outperforms a strong neural baseline on queries where historical structure clearly distinguishes the true destination from negative candidates. These results show that strong performance on current benchmarks does not necessarily require complex temporal models. More fundamentally, they raise the question of how much predictive value learned temporal modeling adds beyond historical structural proximity. Our findings motivate reassessing progress in temporal link prediction with strong classical baselines.
• Abstract（参考訳）: 既存の時間的リンク予測手法は通常、進化する相互作用パターンを捉えるために学習された時間的表現に依存している。 本稿では,古典的構造的近接測度が,学習時間列モデリングや学習時間列モデリングを使わずに,これらの手法に適合あるいは優れることを示す。 我々は、単純なスライディングウインドウの保持や指数時間減衰を用いて、歴史的な相互作用グラフ上でパーソナライズされたPPR(Personalized PageRank)を再検討する。 驚くべきことに、14のデータセットにまたがって、Time-decay PPRは、比較した4つのメソッドのうち、9つと2つにランク付けしている。 この結果を理解するために、ソースノードと以前に見つからなかった宛先を接続する履歴パスについて検討する。 これらの経路には有用な予測情報が含まれており、PPRは、歴史的構造が真の宛先と負の候補とを明確に区別するクエリにおいて、強力なニューラルベースラインを上回ります。 これらの結果は、現在のベンチマークでは必ずしも複雑な時間モデルを必要としないことを示している。 より根本的には、学習した時間的モデリングが歴史的構造的近接性を超えてどれだけの量の予測的価値をもたらすかという疑問を提起する。 本研究は, 時間的リンク予測の進歩を, 強靭な古典的ベースラインで再評価することを目的としている。

関連論文リスト

• Do Temporal Link Predictors Need Learned Memory? A Smoothed-Count Baseline with a Handful of Parameters [4.032084095153604]
  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。
  論文  参考訳（メタデータ） (2026-09-28T15:09:02Z)
• Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting [81.44658512649633]
  KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。 最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
  論文  参考訳（メタデータ） (2026-05-19T01:43:00Z)
• 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)
• From Link Prediction to Forecasting: Addressing Challenges in Batch-based Temporal Graph Learning [0.716879432974126]
  バッチ指向評価の適合性はデータセットの特性に依存することを示す。 連続時間時間グラフの場合、固定サイズのバッチは異なる期間の時間ウィンドウを生成し、不整合な動的リンク予測タスクをもたらす。 離散時間時間時間グラフの場合、バッチのシーケンスはデータに存在しない時間的依存関係を付加することができる。
  論文  参考訳（メタデータ） (2024-06-07T12:45:12Z)
• 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)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Improving Sequential Recommendations via Bidirectional Temporal Data Augmentation with Pre-training [46.5064172656298]
  プレトレーニングによる双方向時間データ拡張(BARec)について紹介する。 提案手法は, 双方向の時間的拡張と知識強化による微調整を活用して, 真正な擬似優先順位項目を合成する。 5つのベンチマークデータセットに関する包括的実験分析により、短いシーケンスと長いシーケンスコンテキストの両方において、BARecの優位性が確認された。
  論文  参考訳（メタデータ） (2021-12-13T07:33:28Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。