Fugu-MT 論文翻訳(概要): DyGCN: Dynamic Graph Embedding with Graph Convolutional Network

論文の概要: DyGCN: Dynamic Graph Embedding with Graph Convolutional Network

arxiv url: http://arxiv.org/abs/2104.02962v1
Date: Wed, 7 Apr 2021 07:28:44 GMT
ステータス: 処理完了
システム内更新日: 2021-04-08 12:35:17.566499
Title: DyGCN: Dynamic Graph Embedding with Graph Convolutional Network
Title（参考訳）: DyGCN: グラフ畳み込みネットワークによる動的グラフ埋め込み
Authors: Zeyu Cui, Zekun Li, Shu Wu, Xiaoyu Zhang, Qiang Liu, Liang Wang, Mengmeng Ai
Abstract要約: 動的グラフ畳み込みネットワーク(DyGCN)の効率的な動的グラフ埋め込み手法を提案する。私たちのモデルは、ノードの埋め込みを時間節約とパフォーマンス保存の方法で更新できます。
参考スコア（独自算出の注目度）: 25.02329024926518
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph embedding, aiming to learn low-dimensional representations (aka. embeddings) of nodes, has received significant attention recently. Recent years have witnessed a surge of efforts made on static graphs, among which Graph Convolutional Network (GCN) has emerged as an effective class of models. However, these methods mainly focus on the static graph embedding. In this work, we propose an efficient dynamic graph embedding approach, Dynamic Graph Convolutional Network (DyGCN), which is an extension of GCN-based methods. We naturally generalizes the embedding propagation scheme of GCN to dynamic setting in an efficient manner, which is to propagate the change along the graph to update node embeddings. The most affected nodes are first updated, and then their changes are propagated to the further nodes and leads to their update. Extensive experiments conducted on various dynamic graphs demonstrate that our model can update the node embeddings in a time-saving and performance-preserving way.
Abstract（参考訳）: 低次元表現を学習することを目的としたグラフ埋め込み。ノードの埋め込み)が最近注目されている。近年、グラフ畳み込みネットワーク(GCN)が有効なモデルのクラスとして登場した静的グラフの取り組みが急増しているのを目撃している。しかし、これらの手法は主に静的グラフ埋め込みに焦点を当てている。本研究では,効率的な動的グラフ埋め込み手法である動的グラフ畳み込みネットワーク(dygcn)を提案する。我々はGCNの埋め込み伝搬スキームを効率的に動的設定に自然に一般化し、グラフに沿った変化を伝播してノード埋め込みを更新する。最も影響を受けるノードは最初に更新され、その後、その変更はさらなるノードに伝播され、更新に繋がる。様々な動的グラフ上で行った広範囲な実験により、モデルがノード埋め込みを時間節約と性能維持の方法で更新できることが証明された。

関連論文リスト

Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文参考訳（メタデータ） (2024-05-23T10:26:18Z)
Dynamic Graph Node Classification via Time Augmentation [15.580277876084873]
動的グラフ上のノード分類のための時間拡張グラフ動的ニューラルネットワーク(TADGNN)フレームワークを提案する。 TADGNNは, 時間的時間的変化を時間的に捉え, 時間的時間的グラフを生成する時間拡張モジュールと, 構築した時間的時間的グラフを用いて時間的時間的表現を学習する情報伝達モジュールの2つのモジュールから構成される。実験により,TADGNNフレームワークは,高いスケーラビリティを示しながら,静的かつ動的なSOTAGNNモデルよりも優れた性能を示した。
論文参考訳（メタデータ） (2022-12-07T04:13:23Z)
Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
論文参考訳（メタデータ） (2022-10-27T16:00:45Z)
Towards Real-Time Temporal Graph Learning [10.647431919265346]
本稿では、時間グラフ構築を行い、低次元ノード埋め込みを生成し、オンライン環境でニューラルネットワークモデルを訓練するエンドツーエンドグラフ学習パイプラインを提案する。
論文参考訳（メタデータ） (2022-10-08T22:14:31Z)
ROLAND: Graph Learning Framework for Dynamic Graphs [75.96510058864463]
グラフニューラルネットワーク(GNN)は多くの実世界の静的グラフに適用されている。既存の動的GNNには静的GNNの最先端設計が組み込まれていない。実世界の動的グラフのための効果的なグラフ表現学習フレームワーク ROLAND を提案する。
論文参考訳（メタデータ） (2022-08-15T14:51:47Z)
Instant Graph Neural Networks for Dynamic Graphs [18.916632816065935]
Instant Graph Neural Network (InstantGNN) を提案する。提案手法は,時間を要する反復計算を回避し,表現の即時更新と即時予測を可能にする。本モデルでは,既存手法よりも高精度かつ高次精度で最先端の精度を実現する。
論文参考訳（メタデータ） (2022-06-03T03:27:42Z)
DOTIN: Dropping Task-Irrelevant Nodes for GNNs [119.17997089267124]
最近のグラフ学習アプローチでは、学習のためのグラフのサイズを減らすためのプール戦略が導入されている。我々はDOTIN(underlineDrunderlineopping underlineTask-underlineIrrelevant underlineNodes)と呼ばれる新しいアプローチを設計し、グラフのサイズを減らす。本手法は,グラフ分類やグラフ編集距離を含むグラフレベルのタスクにおいて,GATを約50%高速化する。
論文参考訳（メタデータ） (2022-04-28T12:00:39Z)
GCN-SE: Attention as Explainability for Node Classification in Dynamic Graphs [20.330666300034338]
グラフ畳み込みネットワーク(GCN)はグラフ表現学習の一般的な手法である。本稿では,異なる時刻におけるグラフスナップショットに学習可能な注目重みを付加するGCN-SEを提案する。本稿では,GCN-SEが以前提案したグラフデータセットのノード分類手法より優れていることを示す。
論文参考訳（メタデータ） (2021-10-11T20:30:35Z)
Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文参考訳（メタデータ） (2020-10-09T07:35:26Z)
CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文参考訳（メタデータ） (2020-09-11T09:25:17Z)
K-Core based Temporal Graph Convolutional Network for Dynamic Graphs [19.237377882738063]
動的グラフのノード表現を学習するために,新しいk-coreベースの時間グラフ畳み込みネットワークであるCTGCNを提案する。従来の動的グラフ埋め込み法とは対照的に、CTGCNは局所的な連結近接と大域的な構造的類似性の両方を保存できる。 7つの実世界のグラフに対する実験結果から、CTGCNは既存の最先端グラフの埋め込み方法よりもいくつかのタスクで優れていることが示された。
論文参考訳（メタデータ） (2020-03-22T14:15:27Z)

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。