Temporal Graph Benchmark

新方法通过自适应伪监督加速时态GNN训练

研究人员开发了一种名为Moving-Averaged Labels (MAL)的新方法，以改进时态图神经网络（GNN）的训练。该技术通过基于过去的监督信号分配软伪目标来解决现实世界动态图中监督不规则的问题。MAL旨在减少梯度方差并加速收敛，而无需更改模型架构或损失函数。实验表明，MAL显著提高了预测性能，并实现了更快的达到准确率的时间，在常见的Temporal Graph Benchmark数据集上确立了新的最先进水平。