TFWaveFormer: Temporal-Frequency Collaborative Multi-level Wavelet Transformer for Dynamic Link Prediction
School of Cyber Science and Engineering, Southeast University(信息科学与工程学院,东南大学);School of Mathematics, Southeast University(数学学院,东南大学)
TFWaveFormer通过结合时间-频率分析与多分辨率小波分解,提升动态链接预测的性能。
2026-03-04 cs.AI cs.LG
TAMI: Taming Heterogeneity in Temporal Interactions for Temporal Graph Link Prediction
Beijing Normal-Hong Kong Baptist University(北京师范大学-香港 Baptist大学);University College Dublin(都柏林大学);The Hong Kong University of Science and Technology(香港科学与技术大学);Texas State University(德克萨斯州立大学);Guangdong Provincial / Zhuhai Key Laboratory of IRADS, China(广东/珠海IRADS重点实验室,中国)
针对时间交互异质性导致链接预测失效的问题,提出TAMI框架,含LTE和LHA组件,集成现有时间图神经网络,在多个数据集上提升预测性能。
2025-10-23 cs.AI cs.LG
Do Temporal Link Predictors Need Learned Memory? A Smoothed-Count Baseline with a Handful of Parameters
Julius-Maximilians-Universität Würzburg(尤利乌斯-马克西米利安-维尔茨堡大学)
提出一种基于统计语言建模的平滑计数时间链接预测器,无需学习节点表示,仅用9-13个参数即在多个基准数据集上取得领先性能,为神经预测器提供简单强基线。
2026-09-29 cs.AI cs.LG
Transfer Learning for Temporal Link Prediction
BioClarity AI;Northeastern University(东北大学);Google(谷歌);Alexion AstraZeneca Rare Disease;DeepMind
针对时间链路预测模型无法迁移到全新图的问题,本研究提出在现有含记忆模块的模型中增加结构映射模块,学习图结构特征到记忆嵌入的映射,为无记忆TLP基础模型奠定基础。
2025-04-17 cs.AI cs.LG
Generative Temporal Link Prediction via Self-tokenized Sequence Modeling
Central University of Finance and Economics(中央财经大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);iFLYTEK(科大讯飞)
我们形式化的网络与不断发展的结构作为时态网络,并提出了一个生成的链接预测模型,生成链接序列建模(GLSM),预测未来的链接时态网络。GLSM捕获的时间链接形成模式,从观察到的链接与序列建模框架,并有能力产生新的链接,从潜在的未来链接的概率分布推断。为了避免将每个链路视为唯一令牌而导致的过拟合,我们提出了一种自令牌化机制,将网络中的每个原始链路自动转换为抽象聚合令牌。自标记化无缝集成到序列建模框架中,这使得所提出的GLSM模型具有发现原始链接序列之外的链接形成模式的泛化能力。我们比较GLSM与现有的最先进的方法在五个真实世界的数据集。实验结果表明,GLSM获得未来的积极联系,有效地在一个生成的方式,同时实现最好的性能(2- 10%的改善AUC)在其他替代品。
2020-04-27 cs.IR cs.LG cs.SI
Learning Meta Representations of One-shot Relations for Temporal Knowledge Graph Link Prediction
LMU Munich(慕尼黑大学);Siemens AG(西门子公司);Technical University of Munich(慕尼黑工业大学)
针对时序知识图谱(TKGs)的单样本关系学习问题,本文将插值和extrapolated链接预测扩展到单样本设置,提出四个大规模基准数据集,并开发TKG推理模型以学习单样本关系,在所有数据集上均取得优越性能。
2023-05-24 cs.AI cs.LG
Spatially-Enhanced Temporal Fusion Transformer: Interpretable Multi-Output Prediction for Parametric Dynamical Systems with Time-Varying Inputs
Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所)
研究具有时变输入的参数动力系统的多输出预测问题,通过调整扩展现有TFT模型得到SE-TFT,能准确预测多输出序列,推广了可解释性,其注意力权重矩阵可探索时间及多输出间相互作用。
2026-07-27 cs.LG cs.NA math.NA
An Effective Graph Learning based Approach for Temporal Link Prediction: The First Place of WSDM Cup 2022
Ant Group(蚂蚁集团);Beijing University of Posts and Telecommunications(北京邮电大学)
时态链接预测作为时态图中最关键的工作之一,受到了研究者的广泛关注。WSDM Cup 2022寻求预测时间图上时间跨度内边缘存在概率的解决方案。本文介绍了AntGraph的解决方案,它在比赛中获得了第一名。我们首先分析了去除时态信息后的性能理论上界,这意味着只有图上的结构和属性信息才能获得很好的性能。基于这一假设,然后我们介绍了几个精心设计的功能。最后,在竞争数据集上进行的实验显示了我们的建议的优越性,在数据集A上获得了0.666的AUC得分,在数据集B上获得了0.902的AUC得分,消融研究也证明了每个特征的效率。代码可在https://github.com/im0qianqian/WSDM2022TGP-AntGraph上公开获取。
2022-03-01 cs.AI cs.IR cs.LG
Higher-order Structure Boosts Link Prediction on Temporal Graphs
Meta
针对现有TGNN忽略高阶结构、存在效率瓶颈的问题,提出融合超图表示的HTGN,通过识别高阶结构、聚合边特征为超边表示,提升动态链接预测性能并降低内存成本。
2025-05-21 cs.AI cs.LG
Do We Really Need Complicated Model Architectures For Temporal Networks?
Penn State(宾夕法尼亚州立大学);Meta;University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
递归神经网络(RNN)和自注意机制(SAM)是用于时间图学习的时空信息提取方法。有趣的是,我们发现,尽管RNN和SAM都可以带来良好的性能,但在实践中,它们都不总是必要的。在本文中,我们提出了GraphMixer,这是一个概念上和技术上都很简单的架构,由三个组件组成:(1)仅基于多层感知器(MLP)来总结来自时间链路的信息的链路编码器,(2)仅基于邻居均值池来总结节点信息的节点编码器,以及(3)基于MLP的链路分类器,其基于编码器的输出执行链接预测。尽管它很简单,但GraphMixer在时间链接预测基准测试中表现出色,收敛速度更快,泛化性能更好。这些结果促使我们重新思考更简单的模型架构的重要性。
2023-02-22 cs.AI cs.LG
Neural Implicit Flow: a mesh-agnostic dimensionality reduction paradigm of spatio-temporal data
University of Washington(华盛顿大学)
高维时空动态通常可以在低维子空间中编码。工程应用的建模,表征,设计和控制这样的大规模系统往往依赖于降维,使解决方案的计算易于处理的实时。常见的现有降维范例包括线性方法,例如奇异值分解(SVD),以及非线性方法,例如卷积自动编码器(CAE)的变体。然而,这些编码技术缺乏有效表示与时空数据相关的复杂性的能力,这通常需要可变几何形状、非均匀网格分辨率、自适应网格化和/或参数依赖性。为了解决这些实际的工程挑战,我们提出了一个通用的框架,称为神经隐式流(NIF),使大规模的,参数化的,时空数据的网格不可知,低秩表示。NIF由两个改进的多层感知器(MLP)组成:(i)ShapeNet,它隔离并表示空间复杂性,以及(ii)ParameterNet,它考虑任何其他输入复杂性,包括参数依赖性,时间和传感器测量。我们展示了NIF用于参数代理建模的实用性,实现了复杂时空动态的可解释表示和压缩,高效的多空间查询任务,并提高了稀疏重建的泛化性能。
2023-01-03 cs.CE cs.LG
Interaction Order Prediction for Temporal Graphs
Carnegie Mellon University(卡内基梅隆大学)
图中的链接预测是一个已经被广泛研究的任务。它已被应用于知识图谱的补全、内容/项目推荐、社交网络推荐等领域,但大多数研究最初集中在静态图中的链接预测。然而,最近有大量的工作建模时间图,因此,已经研究的任务之一是时间图中的链接预测。然而,现有的大多数工作并没有关注链接形成的顺序,而只是预测链接的存在。在这项研究中,我们的目标是预测节点相互作用的顺序。
2023-02-04 cs.CL cs.LG cs.SI
CoDCL: Counterfactual-Inspired Augmentation Contrastive Learning for Temporal Link Prediction in Social Networks
Jiangsu Key Laboratory of Net-Worked Collective Intelligence, School of Cyber Science and Engineering, Southeast University(江苏网络集体智能重点实验室,网络安全科学与工程学院,东南大学);School of Mathematics, Southeast University(数学学院,东南大学);Frontiers Science Center for Mobile Information Communication and Security, School of Mathematics, Southeast University(移动信息通信与安全前沿科学中心,数学学院,东南大学);Purple Mountain Laboratories(紫金山实验室)
本文提出CoDCL框架,结合反事实增强与对比学习,提升时序链接预测的鲁棒性,通过动态处理设计和高效结构邻域探索生成高质量反事实数据,在多个数据集上优于现有方法。
2026-05-08 cs.AI cs.LG
Multi-level Convolutional Autoencoder Networks for Parametric Prediction of Spatio-temporal Dynamics
University of Michigan(密歇根大学)
一个数据驱动的框架,提出了对复杂的时空动态预测建模的结束,利用嵌套的非线性流形。使用三个层次的神经网络,目标是在参数设置中预测感兴趣的系统的未来状态。卷积自动编码器被用作顶层,以沿着空间维度将高维输入数据编码为潜在变量序列。时间卷积自动编码器(TCAE)用作第二级,其进一步沿着时间维度对来自第一级的输出序列进行编码,并且输出封装动态的时空演变的一组潜变量。扩张时间卷积的使用使感受野随网络深度呈指数增长,从而允许有效处理科学计算中典型的长时间序列。一个全连接的网络被用作第三层,从训练数据中学习这些潜在变量与全局参数之间的映射,并预测它们的新参数。对于未来状态预测,第二级使用时间卷积网络来预测来自顶层的输出序列的后续步骤。最底层的潜在变量被解码以获得在新的全局参数和/或在未来时间的物理空间中的动态。预测能力进行评估的一系列问题,涉及不连续性,波的传播,强瞬态,相干结构。不同的建模选择的结果的敏感性进行评估。结果表明,只要有足够的数据和仔细的训练,就可以构建有效的数据驱动的预测模型。提供了目前的方法及其在景观中的模型减少的观点。
2020-07-13 cs.LG physics.comp-ph physics.flu-dyn
Right Knowledge, Wrong Answer: Characterizing Parametric Temporal Conflict in Open-Weight Language Models
University of Central Florida(中佛罗里达大学);Mississippi State University(密西西比州立大学)
针对开放权重语言模型中参数化时间冲突问题,提出无需重训练或外部检索的三阶段测试时干预方法TAS,通过单层激活修补实现0.72-0.85的答案翻转率,并保持非冲突查询85-99%的准确率。
2026-08-07 cs.CL cs.LG
Sequence Diffusion Model for Temporal Link Prediction in Continuous-Time Dynamic Graph
VNU University of Engineering and Technology(越南工程大学)
本文提出SDG模型,通过序列级扩散框架统一动态图学习与生成去噪,以提升时间链接预测的准确性与不确定性捕捉能力。
2026-01-30 cs.LG
Temporal Smoothness Regularisers for Neural Link Predictors
University of California, Los Angeles(加州大学洛杉矶分校);Cornell University(康奈尔大学)
本文提出了一种基于时间平滑正则化器的神经链接预测方法,在三个数据集上实现了更准确的结果。
2024-11-05 cs.LG
GCN-GAN: A Non-linear Temporal Link Prediction Model for Weighted Dynamic Networks
Peking University(北京大学);Peng Cheng Laboratory(鹏城实验室);Huawei Technologies, Co. Ltd.(华为技术有限公司);Chinese Academy of Sciences(中国科学院)
在本文中,我们一般性地阐述了各种网络系统的动力学预测问题(例如,移动性、业务和拓扑的预测)作为时间链接预测任务。与传统的时间链接预测技术忽略了动态网络中潜在的非线性特征和信息链接权重不同,我们引入了一种新的非线性模型GCN-GAN来解决加权动态网络的时间链接预测任务。所提出的模型利用了图卷积网络(GCN)、长短期记忆(LSTM)以及生成对抗网络(GAN)的优点。因此,加权动态网络的动态性、拓扑结构和演化模式可以被充分利用,以提高时间链接预测性能。具体来说,我们首先利用GCN来探索每个快照的局部拓扑特征,然后利用LSTM来表征动态网络的演化特征。此外,GAN用于增强模型生成下一个加权网络快照的能力,可以有效地解决现实动态网络中边权值的稀疏性和宽值范围问题。为了验证该模型的有效性,我们进行了广泛的实验上的四个不同的网络系统和应用场景的数据集。实验结果表明,我们的模型取得了令人印象深刻的结果相比,国家的最先进的竞争对手。
2019-01-26 cs.LG cs.NI cs.SI
Trajectory-User Linking via Hierarchical Spatio-Temporal Attention Networks
Ocean University of China(中国海洋大学);The University of Hong Kong(香港大学)
针对轨迹-用户关联中全局时空上下文建模不足的问题,本文提出AttnTUL,结合图神经网络与分层注意力机制联合编码局部转移及全局依赖,实验证明其优于现有基线。
2023-12-07 cs.AI cs.LG
Invariant Link Selector for Spatial-Temporal Out-of-Distribution Problem
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Meta AI;Michigan State University(密歇根州立大学)
针对时序图的时空分布外泛化难题,提出误差有界的不变链路选择器,利用信息瓶颈区分不变与变异组件,结合任务特定损失实现稳健泛化。
2025-05-30 cs.AI cs.LG
TSAM: Temporal Link Prediction in Directed Networks based on Self-Attention Mechanism
PLA Strategic Support Force Information Engineering University(中国人民解放军战略支援部队信息工程大学)
图神经网络(GCN)的发展使得从演化的复杂网络中学习结构特征成为可能。尽管现实网络中有很多是有向网络,但现有的研究很少涉及有向网络和时态网络的性质。本文针对有向网络中的时间链接预测问题,提出了一种基于GCN和自注意力机制的深度学习模型TSAM。该模型采用自动编码器架构,利用图注意层来捕获邻域节点的结构特征,以及一组图卷积层来捕获模体特征。利用具有自注意力的图递归单元层来学习快照序列中的时间变化。我们在四个真实网络上进行了对比实验,以验证TSAM的有效性。实验结果表明,TSAM优于大多数基准在两个评价指标。
2020-08-23 cs.LG cs.SI stat.ML
Leveraging Static Models for Link Prediction in Temporal Knowledge Graphs
Utrecht University(乌得勒支大学)
在知识图谱嵌入(KGE)中包含事实的时间范围为改进所得到的嵌入提供了重要的机会,并且因此为下游应用中的提高的性能提供了重要的机会。然而,很少有研究工作集中在这一领域,许多研究报告显示,与没有时间范围训练的模型(静态模型)相比,结果只略有改善。此外,而不是利用现有的静态模型的工作,他们介绍了特定的时间知识图谱的新模型。我们提出了一个新的视角,利用现有的静态嵌入模型的力量,集中精力操纵数据,而不是。我们的方法SpiMe从信号处理领域和图嵌入的早期工作中汲取灵感。我们表明,SpliMe竞争或优于目前的最先进的时间KGE。此外,我们发现目前用于评估静态模型在时间图上的性能的过程中存在的问题,并介绍了两种方法来抵消它们。
2021-06-29 cs.AI cs.CL cs.LG
Improving Temporal Link Prediction via Temporal Walk Matrix Projection
Beihang University(北京航空航天大学)
针对时序链路预测中现有相对编码计算效率低、缺时序信息的问题,提出将相对编码统一为时序游走矩阵函数,构建融合时间衰减的TPNet模型,通过带理论保证的随机特征传播隐式维护矩阵,在13个基准数据集上效果和效率均优于现有方法。
2024-10-05 cs.LG
Universal Link Predictor By In-Context Learning on Graphs
University of Notre Dame(圣母大学);Michigan State University(密歇根州立大学)
提出通用链接预测器UniLP,结合启发式方法的泛化能力与参数化模型的学习能力,通过上下文学习动态适应未见过的图,避免负迁移,性能媲美甚至超越微调模型。
2024-02-15 cs.LG
Link Stream Graph for Temporal Recommendations
Sorbonne Université(索邦大学);IRD(法国发展研究院);Université de Yaoundé I(雅温得第一大学);CNRS(法国国家科学研究中心)
一些推荐系统的研究是基于显式的评分数据,但在许多现实世界的电子商务平台,评分并不总是可用的,在这些情况下,推荐系统必须处理隐式数据,如用户的购买历史,浏览历史和流媒体历史。在这种情况下,经典的二分用户项图(BIP)被广泛用于计算前N个推荐。然而,这些图有一些局限性,特别是在考虑时间动态方面。这并不好,因为用户的偏好会随着时间的推移而改变。为了克服这一限制,Xiang等人提出了基于会话的时间图(STG),以在基于图的推荐系统中结合长期和短期偏好。但在STG中,时间被划分为片段,因此被认为是不连续的。这种方法丢失了用户动作的真实时间动态的细节。为了解决这一挑战,我们提出了链接流图(LSG),这是一个扩展的链接流表示提出的拉蒂默等人。它允许模型之间的交互用户和项目考虑时间连续。在四个真实世界的隐式时间推荐数据集上进行的实验表明,与最常用的最先进的推荐图BIP和STG相比,LSG在12种情况中的9种情况下是最好的。
2019-03-27 cs.IR cs.LG cs.SI
MUST: Multi-Scale Structural-Temporal Link Prediction Model for UAV Ad Hoc Networks
School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院);School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院)
针对无人机自组织网络拓扑高度动态、稀疏且航线信息不可用的问题,提出MUST模型,融合GAT多尺度结构特征、LSTM时间建模及专用损失函数,在仿真数据集上达到最先进链路预测性能。
2025-05-14 cs.LG
From Link Prediction to Forecasting: Addressing Challenges in Batch-based Temporal Graph Learning
Center for Artificial Intelligence and Data Science (CAIDAS)(人工智能与数据科学中心(CAIDAS));Julius-Maximilians-Universität Würzburg(维尔茨堡大学)
本文提出将动态链接预测转化为链接预测任务,以解决基于批次的时序图学习中的信息丢失和不一致问题。
2026-02-05 cs.LG
Mining Block I/O Traces for Cache Preloading with Sparse Temporal Non-parametric Mixture of Multivariate Poisson
NetApp, Inc.(网存公司);Indian Institute of Science(印度科学学院)
本文提出稀疏时间非参数混合多维泊松模型,用于从块I/O轨迹中挖掘缓存预加载的长程模式,通过稀疏建模提高效率,实验证明在基准轨迹上显著提升命中率。
2014-10-13 cs.LG cs.OS cs.SY
Generating Causal Temporal Interaction Graphs for Counterfactual Validation of Temporal Link Prediction
University of Oxford(牛津大学)
本文提出通过生成因果时间交互图来验证时间链接预测模型的反事实性,引入结构方程模型并提出基于预测误差的距离度量,用于评估因果模型的鲁棒性。
2026-02-02 cs.LG cs.SY eess.SY
Dynamic Link Prediction for New Nodes in Temporal Graph Networks
Tongji University(同济大学);EIT Institute for Advanced Study(EIT高等研究院);Naval Medical University(海军军医大学)
针对时间图网络中新节点动态链接预测的少样本问题,提出基于元学习的新模型,利用跨度记忆编码器和预测器,通过跨度与节点适应学习隐式信息,在三个公开数据集上超越现有方法。
2023-10-15 cs.LG
Non-parametric generalized linear model
Center for Neural Circuit Dynamics(神经回路动力学中心);Stony Brook University(石溪大学)
统计神经科学中的一个基本问题是通过分析电生理记录来模拟神经元如何编码信息。一个流行的和广泛使用的方法是用自回归点过程模型来拟合尖峰序列。这些模型的特征在于一组卷积时间滤波器,其后续分析可以帮助揭示神经元如何编码刺激,相互作用和处理信息。在实践中,需要选择足够丰富但小的时间基函数的集合来参数化滤波器。然而,获得令人满意的拟合通常需要繁琐的模型选择和微调基函数的形式及其时间跨度。在本文中,我们提出了一个非参数的方法,联合推断的过滤器和超参数使用高斯过程框架。我们的方法是计算效率利用稀疏变分近似,同时是灵活和丰富的,足以描述任意滤波器在连续的时间滞后。此外,我们的方法自动学习滤波器的时间跨度。对于神经科学中的特定应用,我们设计了用于刺激的先验和用于尖峰序列的历史滤波器。我们比较和验证我们的方法模拟和真实的神经尖峰训练数据。
2020-09-02 cs.LG stat.ML
Exemplar VAE: Linking Generative Models, Nearest Neighbor Retrieval, and Data Augmentation
University of Toronto(多伦多大学);Vector Institute(向量学院);Google Research(谷歌研究院)
我们介绍示例VAE,一个家庭的生成模型,弥合参数和非参数,基于示例的生成模型之间的差距。示例VAE是VAE的变体,其基于Parzen窗口估计器在潜在空间中具有非参数先验。为了从中采样,首先从训练集中抽取一个随机样本,然后随机地将该样本转换为潜在代码和新的观察结果。我们提出检索增强训练(RAT)作为一种方式,以加快示例VAE训练,通过使用近似最近邻搜索在潜在空间中定义一个下限的对数边际似然。为了提高泛化能力,模型参数的学习使用样本留一法和子采样。实验证明了Exemplar VAE在密度估计和表示学习上的有效性。重要的是,在置换不变MNIST和时尚MNIST上使用Exemplar VAE的生成数据增强将分类误差从1.17%降低到0.69%和从8.56%降低到8.16%。
2020-11-24 cs.CV cs.LG stat.ML
EdgeReMIND: A Scalable, Top-Ranked Memorization Baseline for Temporal Multi-Relational Link Prediction
Clemson University(克莱姆森大学)
EdgeReMIND提出一种线性记忆模型,在TGB 2.0基准上实现可扩展的时序多关系链接预测,在六个数据集上取得最高MRR,并成为唯一可运行于全部数据集的关系感知基线。
2026-09-17 cs.LG
FOS: A Large-Scale Temporal Graph Benchmark for Scientific Interdisciplinary Link Prediction
Michigan State University(密歇根州立大学);University of Tehran(德黑兰大学);University of Guilan(吉兰大学);Shahid Beheshti University(沙希德·贝赫什提大学)
FOS是一个大规模时间图基准,用于预测科学跨学科链接,通过时间感知图结构和语义嵌入提升预测准确性。
2025-11-23 cs.LG
Dynamic Link Prediction with Temporally Enhanced Signed Graph Neural Networks
University of California, Berkeley(加州大学伯克利分校)
提出一种模块化时间增强框架,通过历史上下文集成模块(HCIM)结合可学习的近因感知时间加权、LSTM嵌入轨迹建模和多头时间注意力,在符号图神经网络中捕获短期和长期符号交互动态,并在SE-SGformer上实例化,实验证明在多个真实和合成时间符号网络上性能显著提升。
2026-09-15 cs.LG
Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks
Amirkabir University of Technology(阿米尔卡比尔理工大学)
针对时序网络动态链路预测,提出一种循环消息传递神经网络架构,结合链路预测、图重构与对比预测编码的对比训练目标,在多个数据集上取得优于现有模型的效果。
2024-08-22 cs.LG cs.NE