通过加速网络数据收集和输入丢失的连接，链路预测算法是许多科学应用中不可或缺的工具。然而，在许多系统中，链路随着时间而变化，并且仍然不清楚如何在这种网络中最佳地利用这种时间信息进行链路预测。

达特茅斯学院Peter J. Mucha等表明，除了计算成本高之外，许多时态拓扑要素在时态链接预测中的准确性低于顺序堆叠的静态网络要素。

本文要点：

（1）

这种顺序堆叠链接预测方法使用41个静态网络要素，避免了详细的要素工程选择，并且能够从历史数据中学习未来连接的高度准确的预测分布。作者证明了该算法对部分观察和完全未观察的目标层都有效，并且在两个时间随机块模型上，当与其他单个预测器方法结合作为集成学习方法时，该算法达到了接近oracle级别的性能。

（2）

最后，作者从经验上说明了将多种预测方法堆叠在一起可以进一步提高来自不同领域的19个真实世界时态网络的性能。

参考文献:

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