論文の概要: GTEA: Representation Learning for Temporal Interaction Graphs via Edge Aggregation

• arxiv url: http://arxiv.org/abs/2009.05266v2
• Date: Mon, 28 Sep 2020 08:43:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 20:58:42.919362
• Title: GTEA: Representation Learning for Temporal Interaction Graphs via Edge Aggregation
• Title（参考訳）: GTEA:エッジ集約による時間的相互作用グラフの表現学習
• Authors: Yiming Li, Da Sun Handason Tam, Siyue Xie, Xiaxin Liu, Qiu Fang Ying, Wing Cheong Lau, Dah Ming Chiu, Shou Zhi Chen
• Abstract要約: GTEAは、エッジ時間単位のアグリゲーションを伴う時間的相互作用グラフのための表現学習フレームワークである。 GTEAでは、グラフニューラルネットワーク(GNN)がLSTMやTransformerなどの最先端のシーケンスモデルと統合される。 実験の結果,GTEAはGraphSAGE,APPNP,TGATといった最先端のスキームよりも優れていた。
• 参考スコア（独自算出の注目度）: 11.526912398475513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of representation learning for temporal interaction graphs where a network of entities with complex interactions over an extended period of time is modeled as a graph with a rich set of node and edge attributes. In particular, an edge between a node-pair within the graph corresponds to a multi-dimensional time-series. To fully capture and model the dynamics of the network, we propose GTEA, a framework of representation learning for temporal interaction graphs with per-edge time-based aggregation. Under GTEA, a Graph Neural Network (GNN) is integrated with a state-of-the-art sequence model, such as LSTM, Transformer and their time-aware variants. The sequence model generates edge embeddings to encode temporal interaction patterns between each pair of nodes, while the GNN-based backbone learns the topological dependencies and relationships among different nodes. GTEA also incorporates a sparsity-inducing self-attention mechanism to distinguish and focus on the more important neighbors of each node during the aggregation process. By capturing temporal interactive dynamics together with multi-dimensional node and edge attributes in a network, GTEA can learn fine-grained representations for a temporal interaction graph to enable or facilitate other downstream data analytic tasks. Experimental results show that GTEA outperforms state-of-the-art schemes including GraphSAGE, APPNP, and TGAT by delivering higher accuracy (100.00%, 98.51%, 98.05% ,79.90%) and macro-F1 score (100.00%, 98.51%, 96.68% ,79.90%) over four large-scale real-world datasets for binary/ multi-class node classification.
• Abstract（参考訳）: 時間的相互作用を持つエンティティのネットワークがノードとエッジ属性の豊富な集合を持つグラフとしてモデル化される時間的相互作用グラフの表現学習の問題を考える。 特に、グラフ内のノードペア間のエッジは、多次元時系列に対応する。 ネットワークのダイナミクスをフルに把握し,モデル化するために,時間毎の集約を伴う時間的相互作用グラフの表現学習フレームワークGTEAを提案する。 GTEAでは、グラフニューラルネットワーク(GNN)がLSTMやTransformerなどの最先端のシーケンスモデルと統合される。 シーケンスモデルは各ノード間の時間的相互作用パターンをエンコードするためにエッジ埋め込みを生成し、gnnベースのバックボーンは異なるノード間のトポロジ的依存関係と関係を学習する。 GTEAはまた、アグリゲーションプロセス中に各ノードのより重要な隣人を区別し、焦点を合わせるために、疎結合によって誘導される自己注意機構も組み込んでいる。 ネットワーク内の多次元ノードやエッジ属性とともに時間的インタラクティブなダイナミクスをキャプチャすることで、GTEAは時間的相互作用グラフのきめ細かい表現を学習し、他の下流データ解析タスクを有効にまたは促進することができる。 実験の結果、GTEAはGraphSAGE、APPNP、TGATなどの最先端のスキームよりも高い精度(100.00%、98.51%、98.05%、79.90%)とマクロF1スコア(100.00%、98.51%、96.68%、79.90%)をバイナリ/マルチクラスノード分類のための4つの大規模実世界のデータセットで達成している。

関連論文リスト

• Multi-Scale Spatial-Temporal Self-Attention Graph Convolutional Networks for Skeleton-based Action Recognition [0.0]
  本稿では,マルチスケール空間時間自己注意(MSST)-GCNという自己注意型GCNハイブリッドモデルを提案する。 適応トポロジを持つ空間自己保持モジュールを用いて、異なる身体部分間のフレーム内相互作用を理解するとともに、時間的自己保持モジュールを用いてノードのフレーム間の相関関係を調べる。
  論文  参考訳（メタデータ） (2024-04-03T10:25:45Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Multi-Task Edge Prediction in Temporally-Dynamic Video Graphs [16.121140184388786]
  MTD-GNNは,複数種類の関係に対して時間動的エッジを予測するグラフネットワークである。 時間-動的グラフネットワークにおける複数の関係をモデル化することは相互に有益であることを示す。
  論文  参考訳（メタデータ） (2022-12-06T10:41:00Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• ConTIG: Continuous Representation Learning on Temporal Interaction Graphs [32.25218861788686]
  ConTIGは、ノード埋め込み軌道の連続的動的進化をキャプチャする連続表現法である。 我々のモデルは、最新の相互作用、隣り合う特徴、固有の特徴を含む、動的ネットワークにおける3つの要素を生かしている。 実験結果は、時間的リンク予測、時間的ノードレコメンデーション、動的ノード分類タスクにおけるConTIGの優位性を示す。
  論文  参考訳（メタデータ） (2021-09-27T12:11:24Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• Temporal Graph Modeling for Skeleton-based Action Recognition [25.788239844759246]
  複雑な時間的ダイナミクスを捉えるための時間拡張グラフ畳み込みネットワーク(TE-GCN)を提案する。 構築された時間関係グラフは、意味的に関連する時間的特徴間の接続を明示的に構築する。 2つの大規模データセットで実験を行う。
  論文  参考訳（メタデータ） (2020-12-16T09:02:47Z)
• Inductive Representation Learning on Temporal Graphs [33.44276155380476]
  時間的動的グラフは、新しいノードの処理と時間的パターンのキャプチャを必要とする。 本研究では,時間-トポロジ的特徴を効率的に集約する時間グラフアテンション層を提案する。 TGAT層を積み重ねることで、ネットワークはノードの埋め込みを時間の関数として認識し、新しいノードと観測されたノードの両方の埋め込みを誘導的に推論することができる。
  論文  参考訳（メタデータ） (2020-02-19T02:05:37Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。