EdgeReMIND：一种可扩展的、排名靠前的时序多关系链接预测记忆基线
EdgeReMIND: A Scalable, Top-Ranked Memorization Baseline for Temporal Multi-Relational Link Prediction
浏览论文内容
中文总结 AI 辅助
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。
中文摘要 AI 辅助
在时序图基准2.0（TGB 2.0）上的时序链接预测面临可扩展性瓶颈：在该基准的三个最大数据集上，所有现有的嵌入方法都会耗尽内存或超出时间预算。这些大规模图最接近实际部署规模，因此在这些图上失败是实际生产中的限制。EdgeReMIND在TGB 2.0的八个数据集中的六个上取得了报告的最高测试平均倒数排名（MRR），并且是唯一能够在所有数据集上运行的关系感知方法。这种线性记忆模型，在数据校准特征上学习每个关系的权重，因此不仅仅是嵌入方法失败时的回退方案，而是整个基准上实用的最先进基线。
英文摘要
Temporal link prediction on the Temporal Graph Benchmark 2.0 (TGB 2.0) faces a scalability ceiling: on the benchmark's three largest datasets, every existing embedding method runs out of memory or exceeds the time budget. These large-scale graphs are the ones nearest real deployment scale, so failing on them is a real production limitation. EdgeReMIND sets the highest reported test mean reciprocal rank (MRR) on six of eight TGB 2.0 datasets and is the only relation-aware method that runs on all of them. This linear memorization model, with learned per-relation weights over data-calibrated features, is therefore not merely a fallback where embeddings fail but a practical state-of-the-art baseline across the benchmark.
发表机构
- Clemson University（克莱姆森大学）
机构由 AI 辅助整理，请以论文原文为准。
