Probing the temporal reasoning capabilities of dynamic graph learning models

Les méthodes d’apprentissage sur graphes dynamiques ont récemment émergé comme des outils puissants pour modéliser des données relationnelles évoluant au fil du temps. Cependant, malgré de nombreux efforts de comparaison, il reste incertain que les réseaux de neurones sur graphes temporels (TGNNs) capturent effectivement les principaux schémas temporels tels que la périodicité, la cause à effet et les dépendances à long terme. Dans ce manuscrit, nous introduisons le Temporal Graph Reasoning Benchmark (T-GRAB), un ensemble complet de tâches synthétiques conçu pour examiner de manière systématique la capacité des TGNNs à raisonner dans le temps. T-GRAB propose des tâches contrôlées et interprétables qui isolent des compétences temporelles clés : compter/mémoriser des répétitions périodiques, inférer des effets causaux différés et capturer des dépendances à long terme à la fois dans les dimensions spatiales et temporelles. Nous avons évalué 11 méthodes d’apprentissage sur graphes temporels sur ces tâches, révélant des limites fondamentales dans leur capacité à généraliser les schémas temporels. Nos résultats offrent des pistes concrètes pour comprendre les faiblesses des modèles actuels, mettent en lumière des défis souvent masqués par les jeux de données réels traditionnels et motivent le développement d’architectures dotées de capacités de raisonnement temporel plus solides. Le code de T-GRAB est disponible à l’adresse suivante : https://github.com/alirezadizaji/T-GRAB.