From Link Prediction to Forecasting: Information Loss in Batch-based Temporal Graph Learning

动态链接预测是许多最近的研究考虑的重要问题，提出了各种方法来学习时间边缘模式。为了评估它们的有效性，模型在涉及连续时间和离散时间的时间图的公开基准数据集上进行评估。然而，正如我们在这项工作中所展示的那样，常见的基于批处理的评估的适用性取决于数据集的特征，这可能会导致两个问题：首先，对于连续时间的时间图，固定大小的批次会创建具有不同持续时间的时间窗口，导致动态链接预测任务不一致。其次，对于离散时间的时间图，批次的顺序还会引入在数据中不存在的时间依赖性。在这项工作中，我们通过实证研究表明，这种常见的评估方法会导致模型性能失衡，阻碍方法的公平比较。我们通过将动态链接预测重新制定为更好地考虑数据中存在的时间信息的链接预测任务来缓解这个问题。我们为常用的图学习框架提供了我们的新评估方法的实现。

本论文旨在解决动态链接预测的评估问题，因为常用的批处理评估方法可能会导致模型性能偏差和方法公平性问题。

论文提出了将动态链接预测重新定义为链接预测任务的方法，以更好地考虑数据中存在的时间信息。

论文通过实验证明了常用的批处理评估方法可能会导致模型性能偏差和方法公平性问题，提出了一种新的评估方法，即将动态链接预测重新定义为链接预测任务。论文提供了常用图学习框架的实现，并使用公共数据集进行了实验。

在这个领域中，最近的相关研究包括《Temporal Link Prediction in Dynamic Networks》、《Predicting Dynamic Links in Large-Scale Networks Based on Temporal Similarity》等。