論文の概要: ITeM: Independent Temporal Motifs to Summarize and Compare Temporal Networks

• arxiv url: http://arxiv.org/abs/2002.08312v2
• Date: Thu, 6 Aug 2020 01:26:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 14:20:46.492986
• Title: ITeM: Independent Temporal Motifs to Summarize and Compare Temporal Networks
• Title（参考訳）: ITeM: 時間ネットワークを要約し比較する独立した時間モチーフ
• Authors: Sumit Purohit, Lawrence B. Holder, George Chin
• Abstract要約: テンポラルネットワークは、システムの時間的進化がエンティティや関係の構造と同様に理解することが重要である一般的なネットワークの特殊化である。 我々は、異なるドメインから時間グラフを特徴付けるために、独立時間モチーフ(ITeM)を提示する。 我々は,ITeMが他のモチーフ周波数ベースアプローチよりも精度が高いことを示した。
• 参考スコア（独自算出の注目度）: 0.900850049678444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Networks are a fundamental and flexible way of representing various complex systems. Many domains such as communication, citation, procurement, biology, social media, and transportation can be modeled as a set of entities and their relationships. Temporal networks are a specialization of general networks where the temporal evolution of the system is as important to understand as the structure of the entities and relationships. We present the Independent Temporal Motif (ITeM) to characterize temporal graphs from different domains. The ITeMs are edge-disjoint temporal motifs that can be used to model the structure and the evolution of the graph. For a given temporal graph, we produce a feature vector of ITeM frequencies and apply this distribution to the task of measuring the similarity of temporal graphs. We show that ITeM has higher accuracy than other motif frequency-based approaches. We define various metrics based on ITeM that reveal salient properties of a temporal network. We also present importance sampling as a method for efficiently estimating the ITeM counts. We evaluate our approach on both synthetic and real temporal networks.
• Abstract（参考訳）: ネットワークは、様々な複雑なシステムを表現する基本的で柔軟な方法である。 コミュニケーション、引用、調達、生物学、ソーシャルメディア、輸送といった多くのドメインは、エンティティとその関係の集合としてモデル化することができる。 テンポラルネットワークは、システムの時間的進化がエンティティや関係の構造と同様に理解することが重要である一般的なネットワークの特殊化である。 異なる領域から時間グラフを特徴付けるための独立時間モチーフ(ITeM)を提案する。 ITeMはエッジ不整合時間モチーフであり、グラフの構造と進化をモデル化するのに使用できる。 与えられた時間グラフに対して、ITeM周波数の特徴ベクトルを生成し、この分布を時間グラフの類似度を測定するタスクに適用する。 本稿では,モチーフ周波数に基づく手法よりも高い精度を示す。 時間的ネットワークの健全性を明らかにするITeMに基づいて,様々なメトリクスを定義した。 また,ITeMカウントを効率的に推定する手法として重要サンプリングを提案する。 我々は,合成ネットワークと実時間ネットワークの両方に対するアプローチを評価する。

関連論文リスト

• System States Forecasting of Microservices with Dynamic Spatio-Temporal Data [9.519440926598524]
  現在の予測手法は、関係が重要となる環境では不十分である。 短期および長期の予測タスクでは,MAE(Mean Absolute Error)の8.6%削減,MSE(Mean Squared Error)の2.2%削減を達成した。
  論文  参考訳（メタデータ） (2024-08-15T02:52:02Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Piecewise-Velocity Model for Learning Continuous-time Dynamic Node Representations [0.0]
  連続時間動的ネットワーク表現のためのPiecewise-Veable Model (PiVeM)。 超低次元空間において、PiVeMはネットワーク構造と力学をうまく表現できることを示す。 リンク予測などの下流タスクでは、関連する最先端メソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-12-23T13:57:56Z)
• A Network Classification Method based on Density Time Evolution Patterns Extracted from Network Automata [0.0]
  そこで我々は,密度時間進化パターン(D-TEP)と状態密度時間進化パターン(SD-TEP)とを識別する,分類のための記述子として使用する情報の代替源を提案する。 その結果,従来の5つの合成ネットワークデータベースと7つの実世界のデータベースと比較すると,顕著な改善が得られた。
  論文  参考訳（メタデータ） (2022-11-18T15:27:26Z)
• Significant Ties Graph Neural Networks for Continuous-Time Temporal Networks Modeling [8.870188183999852]
  時間ネットワークは複雑な進化系をモデル化するのに適している。 本稿では,有意な関係を捕捉し記述する新しいフレームワークである,有意なTies Graph Neural Networks (STGNN)を提案する。
  論文  参考訳（メタデータ） (2022-11-12T06:56:36Z)
• Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
  時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。 ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。 実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-30T18:24:13Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• EPNE: Evolutionary Pattern Preserving Network Embedding [26.06068388979255]
  本研究では,ノードの局所構造の進化パターンを保存するための時間ネットワーク埋め込みモデルEPNEを提案する。 時間情報の適切なモデリングにより,本モデルは様々な予測タスクにおいて,他の競合手法よりも優れている。
  論文  参考訳（メタデータ） (2020-09-24T06:31:14Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。