Key points are not available for this paper at this time.
다중 관계 시계열 그래프는 실제 데이터를 모델링하기 위한 강력한 도구로, 시간이 지남에 따라 엔티티의 진화하고 상호 연결된 특성을 포착합니다. 최근 이러한 그래프에서 기계 학습을 위한 많은 새로운 모델이 제안되어, 견고한 평가와 표준화된 벤치마크 데이터셋에 대한 필요성이 증가하고 있습니다. 그러나 이러한 자원의 가용성은 여전히 부족하며, 평가는 실험 프로토콜의 재현성 문제로 인해 복잡성이 추가됩니다. 이러한 도전 과제를 해결하기 위해, 우리는 TGB 2.0(Temporal Graph Benchmark 2.0)을 소개합니다. TGB 2.0은 대규모 데이터셋에 초점을 맞춘 시계열 지식 그래프 및 시계열 이질적 그래프에서 미래 링크 예측 방법을 평가하기 위해 맞춤형으로 설계된 새로운 벤치마크 프레임워크입니다. TGB 2.0은 최대 5,300만 개의 엣지를 포함한 5개 도메인에 걸쳐 있는 8개의 새로운 데이터셋을 제시함으로써 포괄적인 평가를 용이하게 합니다. TGB 2.0 데이터셋은 노드 수, 엣지 수, 또는 타임스탬프 측면에서 기존 데이터셋보다 상당히 큽니다. 또한, TGB 2.0은 다중 관계 시계열 그래프에 대한 재현 가능하고 현실적인 평가 프로세스를 제공합니다. 광범위한 실험을 통해 우리는 1) 엣지 유형 정보를 활용하는 것이 높은 성능을 얻는 데 중요하다는 것을 관찰하였고, 2) 단순한 휴리스틱 기준선이 종종 더 복잡한 방법들과 경쟁력이 있음을 발견하였으며, 3) 대부분의 방법이 우리의 가장 큰 데이터셋에서 실행되지 못함을 강조하여 더 확장 가능한 방법에 대한 연구의 필요성을 보여줍니다.
Gastinger 외(Thu,)는 이 문제를 연구했습니다.