論文の概要: Disentangled Dynamic Graph Deep Generation
- arxiv url: http://arxiv.org/abs/2010.07276v2
- Date: Wed, 20 Jan 2021 03:58:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 14:31:10.410264
- Title: Disentangled Dynamic Graph Deep Generation
- Title(参考訳): ディスタングル型動的グラフ深部生成
- Authors: Wenbin Zhang, Liming Zhang, Dieter Pfoser and Liang Zhao
- Abstract要約: 本稿では,動的グラフ生成を実現するための因子化深部生成モデルの新たな枠組みを提案する。
ノード,エッジ,静的,動的因子間の条件独立性を特徴付けるために,様々な生成モデルを提案する。
複数のデータセットの実験では、提案したモデルの有効性が示されている。
- 参考スコア(独自算出の注目度): 10.934180735890727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep generative models for graphs have exhibited promising performance in
ever-increasing domains such as design of molecules (i.e, graph of atoms) and
structure prediction of proteins (i.e., graph of amino acids). Existing work
typically focuses on static rather than dynamic graphs, which are actually very
important in the applications such as protein folding, molecule reactions, and
human mobility. Extending existing deep generative models from static to
dynamic graphs is a challenging task, which requires to handle the
factorization of static and dynamic characteristics as well as mutual
interactions among node and edge patterns. Here, this paper proposes a novel
framework of factorized deep generative models to achieve interpretable dynamic
graph generation. Various generative models are proposed to characterize
conditional independence among node, edge, static, and dynamic factors. Then,
variational optimization strategies as well as dynamic graph decoders are
proposed based on newly designed factorized variational autoencoders and
recurrent graph deconvolutions. Extensive experiments on multiple datasets
demonstrate the effectiveness of the proposed models.
- Abstract(参考訳): グラフの深い生成モデルは、分子の設計(原子のグラフ)やタンパク質の構造予測(アミノ酸のグラフ)など、常に増大する領域において有望な性能を示している。
既存の研究は一般的に動的グラフではなく静的に焦点を当てており、タンパク質の折りたたみや分子反応、人間の移動といった応用において非常に重要である。
静的グラフから動的グラフへの既存の深層生成モデルの拡張は難しい作業であり、静的および動的特性の分解とノードとエッジパターン間の相互相互作用を扱う必要がある。
本稿では,解釈可能な動的グラフ生成を実現するための因子化深部生成モデルの枠組みを提案する。
ノード,エッジ,静的,動的因子間の条件独立性を特徴付けるために,様々な生成モデルを提案する。
そこで, 動的グラフデコーダと変分最適化手法を新たに設計した因子化変分オートエンコーダと再帰グラフデコンボリューションに基づいて提案する。
複数のデータセットに対する大規模な実験は、提案モデルの有効性を示す。
関連論文リスト
- Neural Graph Generator: Feature-Conditioned Graph Generation using
Latent Diffusion Models [25.955288828517666]
グラフ生成に条件付き潜在拡散モデルを利用する新しい手法であるニューラルグラフ生成器(NGG)を導入する。
NGGは複雑なグラフパターンをモデル化し、グラフ生成プロセスの制御を提供する。
論文 参考訳(メタデータ) (2024-03-03T15:28:47Z) - Graph ODE with Factorized Prototypes for Modeling Complicated
Interacting Dynamics [37.53887977578548]
本稿では,その問題に対処する因子化プロトタイプ(GOAT)を用いたグラフODE(Graph ODE)を提案する。
GOATはコンテキスト知識から分解されたプロトタイプを連続グラフODEフレームワークに組み込んでいる。
モデル全体は、その可能性の最大化のために、エンドツーエンドの変分推論フレームワークを使用して最適化される。
論文 参考訳(メタデータ) (2023-11-11T12:04:47Z) - Provable Tensor Completion with Graph Information [49.08648842312456]
本稿では,動的グラフ正規化テンソル完備問題の解法として,新しいモデル,理論,アルゴリズムを提案する。
我々はテンソルの低ランクおよび類似度構造を同時に捉える包括的モデルを開発する。
理論の観点からは、提案したグラフの滑らか度正規化と重み付きテンソル核ノルムとの整合性を示す。
論文 参考訳(メタデータ) (2023-10-04T02:55:10Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳(メタデータ) (2023-05-16T11:38:19Z) - Learning Dynamic Graph Embeddings with Neural Controlled Differential
Equations [21.936437653875245]
本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。
本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。
本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
論文 参考訳(メタデータ) (2023-02-22T12:59:38Z) - Graph Generation with Diffusion Mixture [64.94970275833258]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-07T17:07:46Z) - 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) - FDGNN: Fully Dynamic Graph Neural Network [0.0]
本稿ではフルダイナミックグラフを連続的に処理できる新しいフルダイナミックグラフニューラルネットワーク(FDGNN)を提案する。
提案手法は,ノードとエッジを埋め込み,追加および削除されたノードやエッジに対処するアクティビティと,可能な属性を含む。
我々のモデルは、局所的な再訓練のための単一のイベントを考慮し、効率的に更新することができる。
論文 参考訳(メタデータ) (2022-06-07T17:40:51Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - Heterogeneous Graph Transformer [49.675064816860505]
Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ
動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。
Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
論文 参考訳(メタデータ) (2020-03-03T04:49:21Z) - EvoNet: A Neural Network for Predicting the Evolution of Dynamic Graphs [26.77596449192451]
動的グラフの進化を予測するモデルを提案する。
具体的には、動的グラフの時間的進化パターンを捉えるために、グラフニューラルネットワークと繰り返しアーキテクチャを使用します。
提案手法は,ネットワークの進化にともなう複数の人工データセットと実世界のデータセットを用いて評価する。
論文 参考訳(メタデータ) (2020-03-02T12:59:05Z)
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。