論文の概要: Link Prediction for Temporally Consistent Networks
- arxiv url: http://arxiv.org/abs/2006.03804v1
- Date: Sat, 6 Jun 2020 07:28:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 21:41:57.688060
- Title: Link Prediction for Temporally Consistent Networks
- Title（参考訳）: 時間整合ネットワークにおけるリンク予測
- Authors: Mohamoud Ali, Yugyung Lee and Praveen Rao
- Abstract要約: リンク予測は、動的ネットワークにおける次の関係を推定する。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 6.981204218036187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic networks have intrinsic structural, computational, and
multidisciplinary advantages. Link prediction estimates the next relationship
in dynamic networks. However, in the current link prediction approaches, only
bipartite or non-bipartite but homogeneous networks are considered. The use of
adjacency matrix to represent dynamically evolving networks limits the ability
to analytically learn from heterogeneous, sparse, or forming networks. In the
case of a heterogeneous network, modeling all network states using a
binary-valued matrix can be difficult. On the other hand, sparse or currently
forming networks have many missing edges, which are represented as zeros, thus
introducing class imbalance or noise. We propose a time-parameterized matrix
(TP-matrix) and empirically demonstrate its effectiveness in non-bipartite,
heterogeneous networks. In addition, we propose a predictive influence index as
a measure of a node's boosting or diminishing predictive influence using
backward and forward-looking maximization over the temporal space of the
n-degree neighborhood. We further propose a new method of canonically
representing heterogeneous time-evolving activities as a temporally
parameterized network model (TPNM). The new method robustly enables activities
to be represented as a form of a network, thus potentially inspiring new link
prediction applications, including intelligent business process management
systems and context-aware workflow engines. We evaluated our model on four
datasets of different network systems. We present results that show the
proposed model is more effective in capturing and retaining temporal
relationships in dynamically evolving networks. We also show that our model
performed better than state-of-the-art link prediction benchmark results for
networks that are sensitive to temporal evolution.
- Abstract（参考訳）: 動的ネットワークには固有の構造的、計算的、多分野的な利点がある。
リンク予測は動的ネットワークにおける次の関係を推定する。
しかし、現在のリンク予測手法では、二部類、非二部類、均質ネットワークのみが考慮されている。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
不均一ネットワークの場合、バイナリ値行列を用いた全てのネットワーク状態のモデル化は困難である。
一方、スパースまたは現在形成中のネットワークは、ゼロとして表される多くのエッジを欠いているため、クラス不均衡やノイズが発生する。
本稿では,時間パラメータ行列(tp行列)を提案し,その効果を実験的に実証する。
さらに,n度近傍の時間空間上の後方および前方の最大化を用いて,ノードの増減の予測的影響の指標として予測的影響指数を提案する。
さらに、時間的パラメータ化ネットワークモデル(TPNM)として、異種時間進化活動を表現する新しい手法を提案する。
この新しい手法により、アクティビティをネットワークの一形態として表現することが可能になり、インテリジェントなビジネスプロセス管理システムやコンテキスト対応ワークフローエンジンを含む、新たなリンク予測アプリケーションに刺激を与える可能性がある。
異なるネットワークシステムの4つのデータセットでモデルを評価した。
本稿では,動的に進化するネットワークにおいて,時間的関係の捕捉と保持に有効なモデルを示す。
また, 時間的進化に敏感なネットワークに対して, 最新のリンク予測ベンチマークよりも優れた性能を示した。
関連論文リスト
- Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。
本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。
提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
論文 参考訳（メタデータ） (2024-08-22T22:50:46Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - 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) - Link Prediction with Contextualized Self-Supervision [63.25455976593081]
リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。
従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。
本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-25T03:12:32Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - DynACPD Embedding Algorithm for Prediction Tasks in Dynamic Networks [6.5361928329696335]
本稿では,動的ネットワークのテンソル表現に対する高次テンソル分解に基づく動的ネットワークに対する新しい埋め込み手法を提案する。
リンク予測タスクにおけるアルゴリズムの性能を,現在のベースライン手法の配列と比較することにより,提案手法のパワーと効率を実証する。
論文 参考訳（メタデータ） (2021-03-12T04:36:42Z) - TempNodeEmb:Temporal Node Embedding considering temporal edge influence
matrix [0.8941624592392746]
時間的ネットワークにおけるノード間の将来のリンクを予測することは、時間的ネットワークの進化の重要な側面を明らかにする。
いくつかのアプローチは、時間ネットワークの単純化された表現を、高次元で一般にスパース行列で考える。
本稿では, 単純な3層グラフニューラルネットワークを各ステップで考慮し, ネットワークの進化特性を利用した新しいノード埋め込み手法を提案する。
論文 参考訳（メタデータ） (2020-08-16T15:39:07Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - Modeling Dynamic Heterogeneous Network for Link Prediction using
Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。
階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。
リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文 参考訳（メタデータ） (2020-04-01T17:16:47Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z)
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。