論文の概要: GTEA: Inductive Representation Learning on Temporal Interaction Graphs
via Temporal Edge Aggregation
- arxiv url: http://arxiv.org/abs/2009.05266v3
- Date: Thu, 4 May 2023 03:01:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 20:16:43.891871
- Title: GTEA: Inductive Representation Learning on Temporal Interaction Graphs
via Temporal Edge Aggregation
- Title（参考訳）: GTEA:時間的エッジアグリゲーションによる時間的相互作用グラフの帰納的表現学習
- Authors: Siyue Xie, Yiming Li, Da Sun Handason Tam, Xiaxin Liu, Qiu Fang Ying,
Wing Cheong Lau, Dah Ming Chiu, Shou Zhi Chen
- Abstract要約: 時間的相互作用グラフ(TIG)の帰納学習のためのグラフ時間的エッジ集約フレームワークを提案する。
隣接ノードと対応するエッジの埋め込みの特徴を集約することにより、GTEAはTIGの位相的および時間的依存関係の両方を共同で学習する。
さらに, 隣接アグリゲーションに空間性誘導型自己注意スキームが組み込まれ, より重要で, GTEA の自明なノイズを抑制する。
- 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: In this paper, we propose the Graph Temporal Edge Aggregation (GTEA)
framework for inductive learning on Temporal Interaction Graphs (TIGs).
Different from previous works, GTEA models the temporal dynamics of interaction
sequences in the continuous-time space and simultaneously takes advantage of
both rich node and edge/ interaction attributes in the graph. Concretely, we
integrate a sequence model with a time encoder to learn pairwise interactional
dynamics between two adjacent nodes.This helps capture complex temporal
interactional patterns of a node pair along the history, which generates edge
embeddings that can be fed into a GNN backbone. By aggregating features of
neighboring nodes and the corresponding edge embeddings, GTEA jointly learns
both topological and temporal dependencies of a TIG. In addition, a
sparsity-inducing self-attention scheme is incorporated for neighbor
aggregation, which highlights more important neighbors and suppresses trivial
noises for GTEA. By jointly optimizing the sequence model and the GNN backbone,
GTEA learns more comprehensive node representations capturing both temporal and
graph structural characteristics. Extensive experiments on five large-scale
real-world datasets demonstrate the superiority of GTEA over other inductive
models.
- Abstract（参考訳）: 本稿では,時間的相互作用グラフ(TIG)の帰納学習のためのグラフ時間的エッジ集約(GTEA)フレームワークを提案する。
以前の研究と異なり、GTEAは連続時間空間における相互作用列の時間的ダイナミクスをモデル化し、グラフ内のリッチノードとエッジ/インタラクション属性の両方を活用する。
具体的には、時系列モデルと時間エンコーダを統合することで、2つの隣接ノード間のペア回りの相互作用ダイナミクスを学習し、履歴に沿ってノードペアの複雑な時間的相互作用パターンをキャプチャし、gnnバックボーンに供給可能なエッジ埋め込みを生成する。
隣接ノードと対応するエッジ埋め込みの特徴を集約することにより、GTEAはTIGの位相的および時間的依存関係の両方を共同で学習する。
さらに, 隣接アグリゲーションに空間性誘導型自己注意スキームが組み込まれ, より重要で, GTEA の自明なノイズを抑制する。
シーケンスモデルとGNNバックボーンを協調的に最適化することにより、GTEAは時間的およびグラフ的両方の構造特性をキャプチャするより包括的なノード表現を学習する。
5つの大規模実世界のデータセットに関する広範な実験は、他の帰納的モデルよりもgteaが優れていることを示している。
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。