要約
欠落した事実の補完は時系列知識グラフ（TKGs）にとって基本的な課題である。最近、トポロジーと時間情報を同時に探索できるグラフニューラルネットワーク（GNN）を基にした手法が、TKGsの補完において最先端（SOTA）の成果を上げている。しかしながら、これらの研究は手動で設計されたアーキテクチャに基づいており、TKGsの多様なトポロジーと時間的特性を十分に探索できていない。この問題に対処するために、我々はニューラルアーキテクチャサーチ（NAS）を使用して、データ固有のメッセージ伝播アーキテクチャを設計することを提案する。特に、我々はTKGsにおけるトポロジーと時間情報の探索を行うための一般化されたフレームワークを開発した。このフレームワークに基づき、異なるTKGsの様々な特性を完全に捉えるための表現力豊かな検索空間を設計した。さらに、効率的な検索と低コストを実現するために、単一パスのサンプリングによってスーパーネット構造を訓練する検索アルゴリズムを採用した。我々は3つのベンチマークデータセットで広範な実験を行い、その結果、我々の方法によって検索されたアーキテクチャがSOTAの性能を達成していることが示された。また、検索されたモデルは異なるTKGsにおける多様な特性を暗黙的に明らかにすることができる。我々のコードはhttps://github.com/striderdu/SPA で公開されている。