论文研究 ·
少参数平滑计数基线无需学习记忆的时序链接预测
Do Temporal Link Predictors Need Learned Memory? A Smoothed-Count Baseline with a Handful of Parameters
68进行中1 条HF Daily Papers
AI 解读
AI 生成推荐理由可作为时序链接预测任务的低成本强基线参考。
仅9-13参数的平滑计数基线，在时序链接预测任务上打败多数神经方法。
发生了什么
研究团队质疑依赖学习节点表征的时序链接预测范式，提出基于统计语言建模的新预测器：通过聚合转移、共现计数，结合目的地频率或Kneser-Ney延续计数做稀疏估计平滑，用共享对数线性规则融合流行度、源历史与近因信号，全程不使用节点嵌入。在TGB、TGB-Seq的16个数据集测试中，该模型在7个上取得最高MRR，全量数据集优于EdgeBank、Base3，14个上优于启发式方法，且仅需9-13个可学习参数。
关键信息
- 可学习参数量
- 9-13个
- 测试基准
- TGB、TGB-Seq共16个数据集
- 核心优势
- 7个数据集取得最高MRR，全量优于EdgeBank与Base3
背景
此前多数时序链接预测依赖学习式节点表征来汇总历史交互，模型复杂度普遍较高。
为什么重要
这一发现打破了时序链接预测领域对复杂神经表征学习的路径依赖：对研究者而言，极低参数量的强基线大幅降低了新模型评测的参照门槛，避免被复杂模型的冗余参数误导；对工程使用者而言，无需训练大模型即可获得具备竞争力的预测效果，显著降低落地成本。
后续看点
后续该基线将被用于评测未来各类神经时序链接预测方法，成为新的参照基准。
由 AI 根据原文生成，可能有疏漏，以原文为准。