通過加速網絡數據收集和輸入丟失的連接，鏈路預測算法是許多科學應用中不可或缺的工具。然而，在許多系統中，鏈路隨著時間而變化，并且仍然不清楚如何在這種網絡中最佳地利用這種時間信息進行鏈路預測。
達特茅斯學院Peter J. Mucha等表明，除了計算成本高之外，許多時態拓撲要素在時態鏈接預測中的準確性低于順序堆疊的靜態網絡要素。
本文要點：
（1）
這種順序堆疊鏈接預測方法使用41個靜態網絡要素，避免了詳細的要素工程選擇，并且能夠從歷史數據中學習未來連接的高度準確的預測分布。作者證明了該算法對部分觀察和完全未觀察的目標層都有效，并且在兩個時間隨機塊模型上，當與其他單個預測器方法結合作為集成學習方法時，該算法達到了接近oracle級別的性能。
（2）
最后，作者從經驗上說明了將多種預測方法堆疊在一起可以進一步提高來自不同領域的19個真實世界時態網絡的性能。
參考文獻:
He, X., Ghasemian, A., Lee, E. et al. Sequential stacking link prediction algorithms for temporal networks. Nat Commun 15, 1364 (2024).
DOI: 10.1038/s41467-024-45598-0
https://doi.org/10.1038/s41467-024-45598-0
