論文の概要: Inductive Representation Learning in Temporal Networks via Causal Anonymous Walks

• arxiv url: http://arxiv.org/abs/2101.05974v2
• Date: Sat, 20 Feb 2021 05:29:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 21:43:20.005639
• Title: Inductive Representation Learning in Temporal Networks via Causal Anonymous Walks
• Title（参考訳）: 因果無名歩行による時間ネットワークにおける帰納的表現学習
• Authors: Yanbang Wang, Yen-Yu Chang, Yunyu Liu, Jure Leskovec, Pan Li
• Abstract要約: テンポラルネットワークは多くの現実世界の動的システムの抽象化として機能する。 時間的ネットワークを誘導的に表現するCausal Anonymous Walks(CAW)を提案する。 CAWは時間的ランダムウォークによって抽出され、時間的ネットワークモチーフの自動検索として機能する。
• 参考スコア（独自算出の注目度）: 51.79552974355547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal networks serve as abstractions of many real-world dynamic systems. These networks typically evolve according to certain laws, such as the law of triadic closure, which is universal in social networks. Inductive representation learning of temporal networks should be able to capture such laws and further be applied to systems that follow the same laws but have not been unseen during the training stage. Previous works in this area depend on either network node identities or rich edge attributes and typically fail to extract these laws. Here, we propose Causal Anonymous Walks (CAWs) to inductively represent a temporal network. CAWs are extracted by temporal random walks and work as automatic retrieval of temporal network motifs to represent network dynamics while avoiding the time-consuming selection and counting of those motifs. CAWs adopt a novel anonymization strategy that replaces node identities with the hitting counts of the nodes based on a set of sampled walks to keep the method inductive, and simultaneously establish the correlation between motifs. We further propose a neural-network model CAW-N to encode CAWs, and pair it with a CAW sampling strategy with constant memory and time cost to support online training and inference. CAW-N is evaluated to predict links over 6 real temporal networks and uniformly outperforms previous SOTA methods by averaged 15% AUC gain in the inductive setting. CAW-N also outperforms previous methods in 5 out of the 6 networks in the transductive setting.
• Abstract（参考訳）: テンポラルネットワークは多くの現実世界の動的システムの抽象化として機能する。 これらのネットワークは通常、ソーシャルネットワークにおいて普遍的な三進法のような特定の法則に従って進化する。 時間的ネットワークの帰納的表現学習は、そのような法則を捉えることができ、さらに同じ法則に従うが訓練段階では認識されていないシステムに適用できるべきである。 この領域の以前の作業はネットワークノードのアイデンティティかリッチエッジ属性に依存しており、典型的にはこれらの法則を抽出できない。 本稿では,時間的ネットワークを誘導的に表現するCausal Anonymous Walks (CAWs)を提案する。 CAWは時間的ランダムウォークによって抽出され、時間的選択とそれらのモチーフのカウントを回避しつつ、時間的ネットワークモチーフの自動検索として機能する。 CAWは、ノードのアイデンティティをサンプルウォークのセットに基づいてノードのヒット数に置き換える新しい匿名化戦略を採用し、メソッドを誘導し、同時にモチーフ間の相関を確立する。 さらに、cawsを符号化するニューラルネットワークモデルcaw-nを提案し、オンライントレーニングと推論をサポートするために、一定のメモリと時間コストのcawサンプリング戦略と組み合わせる。 CAW-Nは、6つの実時間ネットワーク上のリンクを予測し、インダクティブ環境で平均15%のAUCゲインで従来のSOTA手法を均一に上回ります。 caw-nは、トランスダクティブ設定の6つのネットワークのうち5つで以前の方法よりも優れている。

関連論文リスト

• Spatial-Temporal Graph Representation Learning for Tactical Networks Future State Prediction [2.0517097336236283]
  本稿では,戦術通信ネットワークのための空間時間グラフデコーダ(STGED)フレームワークを紹介する。 STGEDはグラフベースのアテンション機構を利用して、一連の通信ネットワーク状態を空間的に符号化する。 我々は,STGEDが時間ステップの異なる入力に対して,ベースラインモデルよりも大きなマージンで一貫した性能を示すことを示した。
  論文  参考訳（メタデータ） (2024-03-20T15:27:17Z)
• NAC-TCN: Temporal Convolutional Networks with Causal Dilated Neighborhood Attention for Emotion Understanding [60.74434735079253]
  畳み込みTCN(NAC-TCN)を用いた近傍注意法を提案する。 これを実現するために、Dilated Neighborhood Attentionの因果バージョンを導入し、畳み込みを組み込んだ。 我々のモデルは、標準的な感情認識データセットに少ないパラメータを必要としながら、TCN、TCL、LSTM、GRUに匹敵する、より優れた、あるいは最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-12T18:41:30Z)
• 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)
• Quantization-aware Interval Bound Propagation for Training Certifiably Robust Quantized Neural Networks [58.195261590442406]
  我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。 近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。 本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:32:38Z)
• 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)
• Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
  適応型ニューラルネットワークの動的対向攻撃問題について検討する。 本稿では,LGM(Leaded Gradient Method)を提案する。 我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
  論文  参考訳（メタデータ） (2022-10-15T01:32:08Z)
• Spiking Generative Adversarial Networks With a Neural Network Discriminator: Local Training, Bayesian Models, and Continual Meta-Learning [31.78005607111787]
  スパイキングパターンを再現するためにニューラルネットワークを訓練することは、ニューロモルフィックコンピューティングにおける中心的な問題である。 この研究は、個々のスパイキング信号ではなく、スパイキング信号にマッチするようにSNNを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-11-02T17:20:54Z)
• 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)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• 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)

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。