Towards Temporal Edge Regression: A Case Study on Agriculture Trade Between Nations

要約

最近、グラフ ニューラル ネットワーク (GNN) は、ノード分類、リンク予測、グラフ回帰などの動的グラフ上のタスクで有望なパフォーマンスを示しています。
しかし、現実世界で重要な応用例を持つ時間エッジ回帰タスクを研究した研究はほとんどありません。
この論文では、国家間の食料と農業の貿易額の予測に焦点を当て、静的設定と動的設定の両方でエッジ回帰タスクへの GNN の適用を検討します。
3 つのシンプルかつ強力なベースラインを導入し、国連貿易データセットを使用して 1 つの静的 GNN モデルと 3 つの動的 GNN モデルを包括的に評価します。
私たちの実験結果では、ベースラインがさまざまな設定にわたって非常に優れたパフォーマンスを示し、既存の GNN が不十分であることが明らかになりました。
また、TGN が他の GNN モデルよりも優れていることもわかり、TGN がエッジ回帰タスクにより適切な選択肢であることを示唆しています。
さらに、トレーニング サンプル内の負のエッジの割合がテストのパフォーマンスに大きく影響することに注目します。
コンパニオンのソース コードは https://github.com/scylj1/GNN_Edge_Regression にあります。

要約(オリジナル)

Recently, Graph Neural Networks (GNNs) have shown promising performance in tasks on dynamic graphs such as node classification, link prediction and graph regression. However, few work has studied the temporal edge regression task which has important real-world applications. In this paper, we explore the application of GNNs to edge regression tasks in both static and dynamic settings, focusing on predicting food and agriculture trade values between nations. We introduce three simple yet strong baselines and comprehensively evaluate one static and three dynamic GNN models using the UN Trade dataset. Our experimental results reveal that the baselines exhibit remarkably strong performance across various settings, highlighting the inadequacy of existing GNNs. We also find that TGN outperforms other GNN models, suggesting TGN is a more appropriate choice for edge regression tasks. Moreover, we note that the proportion of negative edges in the training samples significantly affects the test performance. The companion source code can be found at: https://github.com/scylj1/GNN_Edge_Regression.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google