Fugu-MT 論文翻訳(概要): K-Core based Temporal Graph Convolutional Network for Dynamic Graphs

論文の概要: K-Core based Temporal Graph Convolutional Network for Dynamic Graphs

arxiv url: http://arxiv.org/abs/2003.09902v4
Date: Fri, 6 Nov 2020 12:13:04 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 05:25:58.574131
Title: K-Core based Temporal Graph Convolutional Network for Dynamic Graphs
Title（参考訳）: 動的グラフのためのkコアに基づく時間グラフ畳み込みネットワーク
Authors: Jingxin Liu, Chang Xu, Chang Yin, Weiqiang Wu and You Song
Abstract要約: 動的グラフのノード表現を学習するために,新しいk-coreベースの時間グラフ畳み込みネットワークであるCTGCNを提案する。従来の動的グラフ埋め込み法とは対照的に、CTGCNは局所的な連結近接と大域的な構造的類似性の両方を保存できる。 7つの実世界のグラフに対する実験結果から、CTGCNは既存の最先端グラフの埋め込み方法よりもいくつかのタスクで優れていることが示された。
参考スコア（独自算出の注目度）: 19.237377882738063
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph representation learning is a fundamental task in various applications that strives to learn low-dimensional embeddings for nodes that can preserve graph topology information. However, many existing methods focus on static graphs while ignoring evolving graph patterns. Inspired by the success of graph convolutional networks(GCNs) in static graph embedding, we propose a novel k-core based temporal graph convolutional network, the CTGCN, to learn node representations for dynamic graphs. In contrast to previous dynamic graph embedding methods, CTGCN can preserve both local connective proximity and global structural similarity while simultaneously capturing graph dynamics. In the proposed framework, the traditional graph convolution is generalized into two phases, feature transformation and feature aggregation, which gives the CTGCN more flexibility and enables the CTGCN to learn connective and structural information under the same framework. Experimental results on 7 real-world graphs demonstrate that the CTGCN outperforms existing state-of-the-art graph embedding methods in several tasks, including link prediction and structural role classification. The source code of this work can be obtained from \url{https://github.com/jhljx/CTGCN}.
Abstract（参考訳）: グラフ表現学習は、グラフトポロジー情報を保存できるノードの低次元埋め込みを学習しようとする様々なアプリケーションにおける基本的なタスクである。しかし、既存の多くのメソッドは、進化するグラフパターンを無視しながら静的グラフに焦点を当てている。静的グラフ埋め込みにおけるグラフ畳み込みネットワーク(gcns)の成功に触発されて,動的グラフのノード表現を学ぶための新しいkコアベースの時相グラフ畳み込みネットワークであるctgcnを提案する。従来の動的グラフ埋め込み法とは対照的に、CTGCNはグラフ力学を同時に捉えながら局所的な結合近接と大域的な構造的類似性を保存できる。提案フレームワークでは、従来のグラフ畳み込みを特徴変換と特徴集約という2つのフェーズに一般化し、CTGCNをより柔軟にし、CTGCNが同じフレームワークで接続性および構造情報を学習できるようにする。 7つの実世界のグラフに対する実験結果から、CTGCNは、リンク予測や構造的役割分類を含むいくつかのタスクにおいて、既存の最先端グラフ埋め込み手法よりも優れていることが示された。この作業のソースコードは \url{https://github.com/jhljx/ctgcn} から取得できる。

関連論文リスト

From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
論文参考訳（メタデータ） (2023-09-24T10:10:21Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Self-supervised Consensus Representation Learning for Attributed Graph [15.729417511103602]
グラフ表現学習に自己教師付き学習機構を導入する。本稿では,新しい自己教師型コンセンサス表現学習フレームワークを提案する。提案手法はトポロジグラフと特徴グラフの2つの視点からグラフを扱う。
論文参考訳（メタデータ） (2021-08-10T07:53:09Z)
Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2021-08-03T17:57:53Z)
DyGCN: Dynamic Graph Embedding with Graph Convolutional Network [25.02329024926518]
動的グラフ畳み込みネットワーク(DyGCN)の効率的な動的グラフ埋め込み手法を提案する。私たちのモデルは、ノードの埋め込みを時間節約とパフォーマンス保存の方法で更新できます。
論文参考訳（メタデータ） (2021-04-07T07:28:44Z)
Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文参考訳（メタデータ） (2020-10-25T22:39:31Z)
Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文参考訳（メタデータ） (2020-10-09T07:35:26Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)
Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。 KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
論文参考訳（メタデータ） (2020-06-12T17:12:51Z)
Directed Graph Convolutional Network [15.879411956536885]
スペクトルベースのグラフ畳み込みを1階と2階の近接を利用して有向グラフに拡張する。 DGCNと呼ばれる新しいGCNモデルは、有向グラフ上で表現を学ぶように設計されている。
論文参考訳（メタデータ） (2020-04-29T06:19:10Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。