Fugu-MT 論文翻訳(概要): From Static to Dynamic Node Embeddings

論文の概要: From Static to Dynamic Node Embeddings

arxiv url: http://arxiv.org/abs/2009.10017v1
Date: Mon, 21 Sep 2020 16:48:29 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 03:47:34.119839
Title: From Static to Dynamic Node Embeddings
Title（参考訳）: 静的から動的ノードへの埋め込み
Authors: Di Jin, Sungchul Kim, Ryan A. Rossi, Danai Koutra
Abstract要約: 本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
参考スコア（独自算出の注目度）: 61.58641072424504
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a general framework for leveraging graph stream data for temporal prediction-based applications. Our proposed framework includes novel methods for learning an appropriate graph time-series representation, modeling and weighting the temporal dependencies, and generalizing existing embedding methods for such data. While previous work on dynamic modeling and embedding has focused on representing a stream of timestamped edges using a time-series of graphs based on a specific time-scale (e.g., 1 month), we propose the notion of an $\epsilon$-graph time-series that uses a fixed number of edges for each graph, and show its superiority over the time-scale representation used in previous work. In addition, we propose a number of new temporal models based on the notion of temporal reachability graphs and weighted temporal summary graphs. These temporal models are then used to generalize existing base (static) embedding methods by enabling them to incorporate and appropriately model temporal dependencies in the data. From the 6 temporal network models investigated (for each of the 7 base embedding methods), we find that the top-3 temporal models are always those that leverage the new $\epsilon$-graph time-series representation. Furthermore, the dynamic embedding methods from the framework almost always achieve better predictive performance than existing state-of-the-art dynamic node embedding methods that are developed specifically for such temporal prediction tasks. Finally, the findings of this work are useful for designing better dynamic embedding methods.
Abstract（参考訳）: 本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用する汎用フレームワークを提案する。提案フレームワークは,適切なグラフ時系列表現の学習,時間的依存関係のモデリングと重み付け,既存の埋め込み手法の一般化を含む。動的モデリングと埋め込みに関する従来の研究は、特定の時間スケール(例えば1ヶ月)に基づいたグラフの時系列を用いて、タイムスタンプ付きエッジのストリームを表現することに重点を置いているが、我々は、各グラフに一定の数のエッジを使用する$\epsilon$-graphタイムシリーズの概念を提案し、その優位性を示す。さらに,時間的到達性グラフと重み付き時間的要約グラフの概念に基づく新しい時間的モデルを提案する。これらの時間的モデルは、データに時間的依存関係を組み込んで適切にモデル化することで、既存のベース(静的)埋め込みメソッドを一般化するために使用される。調査した6つの時間ネットワークモデル(各7塩基埋め込み法)から、トップ3の時間モデルは常に新しい$\epsilon$-graph 時系列表現を利用するモデルであることが分かる。さらに、フレームワークからの動的埋め込み手法は、時間的予測タスクに特化して開発された既存の最先端の動的ノード埋め込み手法よりも、ほぼ常に優れた予測性能を達成する。最後に, 本研究の成果は, 動的埋込み法の設計に有用である。

関連論文リスト

Graph Neural Alchemist: An innovative fully modular architecture for time series-to-graph classification [0.0]
本稿では時系列分類のための新しいグラフニューラルネットワーク(GNN)アーキテクチャを提案する。時系列を可視グラフとして表現することにより、時系列データ固有の時間的依存関係の両方を符号化することができる。私たちのアーキテクチャは完全にモジュール化されており、異なるモデルで柔軟な実験を可能にします。
論文参考訳（メタデータ） (2024-10-12T00:03:40Z)
TempoKGAT: A Novel Graph Attention Network Approach for Temporal Graph Analysis [3.5707423185282656]
本稿では,時間遅延重みと空間領域上の選択的な隣接集約機構を組み合わせた新しいタイプのグラフアテンションネットワークであるTempoKGATを提案する。我々は、時間的データを含む交通、エネルギー、健康セクターから複数のデータセットに対するアプローチを評価する。
論文参考訳（メタデータ） (2024-08-29T09:54:46Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
FTM: A Frame-level Timeline Modeling Method for Temporal Graph Representation Learning [47.52733127616005]
本稿では,短期的特徴と長期的特徴の両方を捉えるのに役立つフレームレベルタイムラインモデリング(FTM)手法を提案する。我々の手法は、ほとんどの時間的GNNで簡単に組み立てることができる。
論文参考訳（メタデータ） (2023-02-23T06:53:16Z)
Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
時相グラフニューラルネットワークは時系列予測に有効であることが示されている。本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
論文参考訳（メタデータ） (2023-02-08T14:18:56Z)
Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation [58.748215444851226]
セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
論文参考訳（メタデータ） (2023-01-10T04:16:09Z)
DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
論文参考訳（メタデータ） (2022-10-19T14:34:12Z)
Scalable Motif Counting for Large-scale Temporal Graphs [25.90869257290865]
大規模時間グラフにおける時間的モチーフを正確にカウントするための拡張性のある並列フレームワークを提案する。提案手法に基づいて,ノード間並列戦略とノード内並列戦略の両方を特徴とする階層型並列フレームワークを設計する。 16の実世界の時間グラフデータセットに対する実験により,提案フレームワークの優位性と性能が示された。
論文参考訳（メタデータ） (2022-04-20T05:41:38Z)
Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
論文参考訳（メタデータ） (2022-04-10T22:24:11Z)
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。