穆再排尔·穆合塔尔
← 全部作品

04 2026 / 第六届计图人工智能挑战赛 · 赛道一

冷启动

当图里超过一半的节点从未被见过,如何预测链接。

角色
核心成员
时间
2026
技术
Jittor · graph learning · MRR · Val-Hot
状态
竞赛 GitHub
黑色背景上稀疏的亮点与细线组成星座,少数节点以朱红标记。
PL. 04 / 冷启动 黑色背景上稀疏的亮点与细线组成星座,少数节点以朱红标记。 2026

榜单说 0.9357。任务是时序图链接预测,54% 的候选对里有一个没有任何历史记录的节点。一个学会了图的“热”部分的模型,平均分看起来仍然体面,却恰好会在任务最难的地方失败。

任务

给定一张时序图,预测两个节点之间在下一个窗口是否会出现一条边。官方基线是一个很强的 GNN。我们的第一件事不是打败它,而是理解指标在奖励什么。

三个陷阱

时间泄漏。 随机切分会让模型在预测过去的同时看见未来的边。分数上去了,任务变简单了,结果也就不再有意义。我们按时间切,不按行切。

候选池不匹配。 官方评估采样负例的方式与训练分布不同。在训练负例上调好的模型,本地看起来会比榜单上更好。Val-Hot 重建候选池,让它匹配评估协议。

冷启动盲区。 聚合 MRR 会藏起真正重要的人群。我们把热启动与冷启动子集分开报告,并且即使聚合分数动得很慢,也优先优化冷启动。

Val-Hot

Val-Hot 是一个很小的、开源的本地基准。它不是榜单的复刻,而是一个稳定的信号。目的是正确地给两个候选改动排序,让团队把提交次数花在更可能活下来的想法上。

这个基准最终比任何单个特征都更有价值。它把争论变成了实验。有人提出改动时,我们可以问:它在 Val-Hot 上改善了冷启动 MRR,还是只改善了平均分?

热度特征

最大的单次提升来自最不复杂的主意:一个零参数的热度特征。统计一个节点在近期图中出现的频率,归一化,加进分数。没有训练,没有嵌入,没有学到的权重。

它贡献了 +0.047 MRR。当冷节点就是难点时,近期频率是一个很强的先验:一个最近活跃的节点更可能再次出现,即使模型对它一无所知。这个特征不优雅。它有用。

FIG. 04冷启动的多数:54% 的候选对,以及让提升变得可读的本地基准。滑动 →

结果

团队从 0.9357 走到 1.2443。提升来自更好的验证循环、被修复的评估,以及几个简单的特征。教训不是“手工特征打败深度学习”。教训是:在一个噪声很大的基准上,测量能力本身就是模型的一部分。

在大多数机器学习故事里,冷启动节点是边缘情况。在这里,它们是多数。

测量

+0.31 MRR 总提升
54% 冷启动候选
+0.047 热度特征贡献
1.2443 最终成绩

下一个 — 01 / 2026

自主降落

一套三层视觉管线,让无人机在没有 GPS 的情况下降落。