arXiv cs.AIYongqing Zhou
论文
Edge-Gradient Augmentation under Reinforcement Learning for Temporal Graph
AI 摘要
研究者提出 EG-RL 框架，用于动态网络中的时序链路预测。该方法显式编码边的产生与消失（edge-gradient 事件），并借助强化学习策略动态挑选信息量最大的边快照进行增强，由 critic 反馈引导优化。在多个动态图数据集上，其 ROC 曲线下面积与平均精度均有明显提升，消融实验验证了自适应增强与编码机制的必要性。
简评
时序链路预测是社交推荐、风控等场景的基础能力。这项研究把「边何时出现、何时消失」当作信号主动挑选，而非被动使用全部数据，思路可迁移到推荐与反欺诈系统；对普通用户而言，未来动态网络类应用的预测可能更准、更及时。
- 时序图
- 链路预测
- 强化学习
- 动态网络
本站只提供模型生成的摘要，不转载原文。 完整内容请前往原始出处阅读。
阅读原文 ↗