arXiv cs.AI· Ilia Karpov, Kirill Koloskov, Valeriy Kuleshov, Dmitry Ilvovsky·· 10 小时前AI 评分18
如何解读动态链接预测中的时间戳置换实验
Interpreting Timestamp Permutations in Dynamic Link Prediction
AI 导读
研究提出交叉诊断方法,将时间戳置换带来的性能差距拆分为训练条件与评估历史两种效应,并测量输入暴露程度。在 MOOC 数据集上,TCL 用二元交叉熵训练时,原始时序训练在两种评估历史下均带来约 8 个 pairwise 准确率点提升,而固定权重下改变历史仅 0.03 点,因 68.37% 查询输入未变。DyGFormer 的训练与历史对比分别为 22.34 和 0.38 点。
正文 · AI 翻译
摘要:时间戳置换被用来检验动态链接预测器是否利用了时间信息,但性能差距可能反映训练、评估历史或两者的变化。我们通过交叉诊断分离这些效应,并测量输入暴露:改变后的历史是否真正改变了预测器的输入。在 MOOC 上,使用二元交叉熵训练的 TCL 在任一评估历史下,从原始时序训练中获得约八个成对准确率点,而在固定权重下改变历史仅带来 0.03 个点。较小的历史对比反映:68.37% 的查询输入未变,大多数其他查询的排名稳定,以及增益与损失相互抵消。在原始评估历史下,抑制显式时间编码使训练对比从 8.03 点降至 3.64 点,在六个随机种子下配对减少 4.39 点(95% 区间 [3.68, 5.09])。DyGFormer 在两个随机种子下显示出相应的训练对比和历史对比分别为 22.34 和 0.38 点,尽管暴露更大。部分历史置换进一步分离了名义干预强度、输入变化和总体准确率。这些比较将单一的置换差距转化为关于训练条件和模型响应的可解释陈述,同时保留时间学习的内部机制开放。
| 评论: | 共 5 页(ACM sigconf 格式)。配套代码和训练模型:此 https URL |
| 主题: | 机器学习(cs.LG);人工智能(cs.AI);计算机科学中的逻辑(cs.LO);社会与信息网络(cs.SI) |
| 引用为: | arXiv:2611.23753 [cs.LG] |
| (或 arXiv:2611.23753v1 [cs.LG] 为此版本) | |
| https://doi.org/10.48550/arXiv.2611.23753 arXiv 颁发的 DOI 通过 DataCite(待注册) |
提交历史
来自:Ilia Karpov [查看电子邮件]
[v1]
2026 年 11 月 18 日星期三 03:08:09 UTC(73 KB)
来源:arXiv cs.AI · arxiv.org