論文の概要: EPNE: Evolutionary Pattern Preserving Network Embedding

• arxiv url: http://arxiv.org/abs/2009.11510v1
• Date: Thu, 24 Sep 2020 06:31:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 03:56:04.033824
• Title: EPNE: Evolutionary Pattern Preserving Network Embedding
• Title（参考訳）: EPNE:進化的パターン保存ネットワーク埋め込み
• Authors: Junshan Wang, Yilun Jin, Guojie Song, Xiaojun Ma
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.06068388979255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information networks are ubiquitous and are ideal for modeling relational data. Networks being sparse and irregular, network embedding algorithms have caught the attention of many researchers, who came up with numerous embeddings algorithms in static networks. Yet in real life, networks constantly evolve over time. Hence, evolutionary patterns, namely how nodes develop itself over time, would serve as a powerful complement to static structures in embedding networks, on which relatively few works focus. In this paper, we propose EPNE, a temporal network embedding model preserving evolutionary patterns of the local structure of nodes. In particular, we analyze evolutionary patterns with and without periodicity and design strategies correspondingly to model such patterns in time-frequency domains based on causal convolutions. In addition, we propose a temporal objective function which is optimized simultaneously with proximity ones such that both temporal and structural information are preserved. With the adequate modeling of temporal information, our model is able to outperform other competitive methods in various prediction tasks.
• Abstract（参考訳）: 情報ネットワークはユビキタスであり、関係データのモデリングに最適である。 ネットワークはばらばらで不規則で、ネットワーク埋め込みアルゴリズムは多くの研究者の注目を集め、静的ネットワークに多数の埋め込みアルゴリズムを考案した。 しかし実生活では、ネットワークは常に時間とともに進化します。 したがって、進化的パターン、すなわちノードが時間とともにどのように発展していくかは、組み込みネットワークにおける静的構造に対する強力な補完となる。 本稿では,ノードの局所構造の進化パターンを保存する時空間ネットワーク埋め込みモデルEPNEを提案する。 特に,因果畳み込みに基づいて,周期性の有無に関わらず進化パターンを分析し,そのパターンを時間周波数領域でモデル化する設計戦略を検討する。 また,時間的情報と構造的情報の両方を保存できるように,近接関数と同時に最適化した時間的目的関数を提案する。 時間的情報の適切なモデル化により,様々な予測タスクにおいて,他の競合手法を上回ることができる。

関連論文リスト

• 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)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• 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)
• Graph-Survival: A Survival Analysis Framework for Machine Learning on Temporal Networks [14.430635608400982]
  連続時間時間ネットワークのための生成モデルを設計するためのフレームワークを提案する。 本稿では,本フレームワーク内のモデルに適合する手法と,所望の特性を持つ新しい時間ネットワークをシミュレートするアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-14T16:40:57Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• 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)
• 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)
• 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。