論文の概要: TempNodeEmb:Temporal Node Embedding considering temporal edge influence
matrix
- arxiv url: http://arxiv.org/abs/2008.06940v1
- Date: Sun, 16 Aug 2020 15:39:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 12:08:00.080938
- Title: TempNodeEmb:Temporal Node Embedding considering temporal edge influence
matrix
- Title（参考訳）: TempNodeEmb:時間的エッジ影響行列を考慮した時間的ノード埋め込み
- Authors: Khushnood Abbas, Alireza Abbasi, Dong Shi, Niu Ling, Mingsheng Shang,
Chen Liong, and Bolun Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.8941624592392746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the evolutionary patterns of real-world evolving complex
systems such as human interactions, transport networks, biological
interactions, and computer networks has important implications in our daily
lives. Predicting future links among the nodes in such networks reveals an
important aspect of the evolution of temporal networks. To analyse networks,
they are mapped to adjacency matrices, however, a single adjacency matrix
cannot represent complex relationships (e.g. temporal pattern), and therefore,
some approaches consider a simplified representation of temporal networks but
in high-dimensional and generally sparse matrices. As a result, adjacency
matrices cannot be directly used by machine learning models for making network
or node level predictions. To overcome this problem, automated frameworks are
proposed for learning low-dimensional vectors for nodes or edges, as
state-of-the-art techniques in predicting temporal patterns in networks such as
link prediction. However, these models fail to consider temporal dimensions of
the networks. This gap motivated us to propose in this research a new node
embedding technique which exploits the evolving nature of the networks
considering a simple three-layer graph neural network at each time step, and
extracting node orientation by Given's angle method. To prove our proposed
algorithm's efficiency, we evaluated the efficiency of our proposed algorithm
against six state-of-the-art benchmark network embedding models, on four real
temporal networks data, and the results show our model outperforms other
methods in predicting future links in temporal networks.
- Abstract（参考訳）: 人間の相互作用、輸送ネットワーク、生物学的相互作用、コンピュータネットワークといった現実世界の進化する複雑なシステムの進化パターンを理解することは、私たちの日常生活に重要な意味を持つ。
このようなネットワーク内のノード間の将来のリンクを予測することは、時間ネットワークの進化の重要な側面を明らかにする。
ネットワークを解析するために、それらは隣接行列にマッピングされるが、単一の隣接行列は複雑な関係(例えば時間的パターン)を表現できないため、いくつかのアプローチは時間的ネットワークの簡易表現を考えるが、高次元で一般に疎な行列である。
その結果、ネットワークやノードレベルの予測を行う機械学習モデルでは、隣接行列を直接使用することはできない。
この問題を解決するために、リンク予測などのネットワークにおける時間パターンを予測する最先端技術として、ノードやエッジの低次元ベクトルを学習するための自動フレームワークが提案されている。
しかし、これらのモデルはネットワークの時間次元を考慮しない。
このギャップは,各時間ステップで単純な3層グラフニューラルネットワークを考慮し,advancedのアングル法でノードの向きを抽出し,ネットワークの進化を生かした新しいノード埋め込み手法を提案する動機となった。
提案アルゴリズムの効率性を証明するため,本手法は4つの実時間ネットワークデータを用いた6つのベンチマークネットワーク組込みモデルに対して,提案アルゴリズムの有効性を評価した。
関連論文リスト
- DANI: Fast Diffusion Aware Network Inference with Preserving Topological
Structure Property [2.8948274245812327]
そこで我々は,DANIと呼ばれる新しい手法を提案し,その構造特性を保ちながら基礎となるネットワークを推定する。
DANIは、モジュール構造、次数分布、連結成分、密度、クラスタリング係数を含む構造特性を維持しながら、より高い精度と低い実行時間を有する。
論文 参考訳（メタデータ） (2023-10-02T23:23:00Z) - 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) - DyCSC: Modeling the Evolutionary Process of Dynamic Networks Based on
Cluster Structure [1.005130974691351]
動的クラスタ構造制約モデル(DyCSC)と呼ばれる新しい時間ネットワーク埋め込み手法を提案する。
DyCSCは、ネットワーク内のノードの傾向に時間的制約を課すことで、時間的ネットワークの進化を捉えている。
複数の時間リンク予測タスクにおいて、競合する手法をかなりのマージンで一貫して上回る。
論文 参考訳（メタデータ） (2022-10-23T10:23:08Z) - 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) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Inductive Representation Learning in Temporal Networks via Causal
Anonymous Walks [51.79552974355547]
テンポラルネットワークは多くの現実世界の動的システムの抽象化として機能する。
時間的ネットワークを誘導的に表現するCausal Anonymous Walks(CAW)を提案する。
CAWは時間的ランダムウォークによって抽出され、時間的ネットワークモチーフの自動検索として機能する。
論文 参考訳（メタデータ） (2021-01-15T05:47:26Z) - 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) - Link Prediction for Temporally Consistent Networks [6.981204218036187]
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。
論文 参考訳（メタデータ） (2020-06-06T07:28:03Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - 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)
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。