arXiv cs.AI· Yongqing Zhou, Jiawei Chen, Wenjun Wang, Xinyu Wang, Wei Yu, Qiyao Peng·· 1 天前AI 评分20
EG-RL：用强化学习做边梯度增强的时间图链路预测
Edge-Gradient Augmentation under Reinforcement Learning for Temporal Graph
AI 导读
研究者提出边梯度强化学习框架 EG-RL，通过专门的节点与链路编码模块显式编码边梯度事件（边的产生与消亡），并用策略驱动的强化学习机制动态选取信息量最大的边快照进行增强。
正文 · AI 翻译
摘要：时序链路预测对于理解演化网络中的动态交互至关重要，可为从社交网络分析到推荐系统等各类应用提供支持。现有方法通常依赖原始时序图数据，往往忽略了能够显著提升预测性能的显式边变化信息。为弥补这一空白，我们提出了边梯度强化学习（EG-RL）框架，通过专用的节点编码和链路编码模块显式编码边梯度事件（边的产生与消亡）。EG-RL 采用策略驱动的强化学习机制，动态选择并增强最具信息量的边快照，并由基于评论家的反馈引导以优化预测准确率。该模型包含节点编码、链路编码、token 混合和通道混合等独立模块，通过全局池化进行整合，随后接一个两层多层感知机分类器。在多个动态图数据集上的大量实验表明，其在接收者操作特征曲线下面积和平均精度方面均取得显著提升。消融研究进一步证实了自适应边梯度增强的必要性，并验证了所提出的编码与强化学习机制的有效性。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.16678 [cs.LG] |
| （或 arXiv:2611.16678v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.16678 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jiawei Chen [查看邮箱]
[v1]
2026年11月12日星期四 11:53:35 UTC（22,161 KB）
来源：arXiv cs.AI · arxiv.org