論文の概要: SPAN: Subgraph Prediction Attention Network for Dynamic Graphs
- arxiv url: http://arxiv.org/abs/2108.07776v1
- Date: Tue, 17 Aug 2021 17:29:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-18 13:06:29.278603
- Title: SPAN: Subgraph Prediction Attention Network for Dynamic Graphs
- Title(参考訳): SPAN:動的グラフのためのサブグラフ予測注意ネットワーク
- Authors: Yuan Li, Chuanchang Chen, Yubo Tao, Hai Lin
- Abstract要約: 本稿では,動的グラフのサブグラフ予測のための新しいモデルを提案する。
現在のスナップショットにあるサブグラフ構造から、次のスナップショットにあるサブグラフ構造へのマッピングを直接学習する。
実験の結果,この2つのタスクにおいて,モデルが他のモデルより優れており,5.02%から10.88%に向上していることがわかった。
- 参考スコア(独自算出の注目度): 8.601023852899166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a novel model for predicting subgraphs in dynamic graphs,
an extension of traditional link prediction. This proposed end-to-end model
learns a mapping from the subgraph structures in the current snapshot to the
subgraph structures in the next snapshot directly, i.e., edge existence among
multiple nodes in the subgraph. A new mechanism named cross-attention with a
twin-tower module is designed to integrate node attribute information and
topology information collaboratively for learning subgraph evolution. We
compare our model with several state-of-the-art methods for subgraph prediction
and subgraph pattern prediction in multiple real-world homogeneous and
heterogeneous dynamic graphs, respectively. Experimental results demonstrate
that our model outperforms other models in these two tasks, with a gain
increase from 5.02% to 10.88%.
- Abstract(参考訳): 本稿では,従来のリンク予測の拡張である動的グラフのサブグラフを予測する新しいモデルを提案する。
この提案されたエンドツーエンドモデルは、現在のスナップショットにあるサブグラフ構造から次のスナップショットにあるサブグラフ構造へのマッピング、すなわち、サブグラフ内の複数のノード間のエッジ存在を直接学習する。
ノード属性情報とトポロジ情報を連携してサブグラフの進化を学習するために,ツイントウモジュールを用いたクロスアテンションと呼ばれる新しいメカニズムが設計された。
我々は,複数の実世界の等質な動的グラフと異質な動的グラフのサブグラフ予測とサブグラフパターン予測の最先端手法を比較した。
実験の結果,これらの2つのタスクにおいて,モデルが他のモデルより優れており,5.02%から10.88%に増加した。
関連論文リスト
- Leveraging Graph Diffusion Models for Network Refinement Tasks [72.54590628084178]
本稿では,グラフ拡散に基づく新しいグラフ生成フレームワークSGDMを提案する。
我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。
論文 参考訳(メタデータ) (2023-11-29T18:02:29Z) - Learning from Heterogeneity: A Dynamic Learning Framework for
Hypergraphs [24.68703120825866]
本稿では,動的ハイパーエッジ構築と注意深い埋め込み更新が可能なLFHというハイパーグラフ学習フレームワークを提案する。
提案手法の有効性を評価するため,いくつかの一般的なデータセットを対象とした総合的な実験を行った。
論文 参考訳(メタデータ) (2023-07-07T06:26:44Z) - Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。
本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。
リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2022-12-31T10:07:19Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - Text Representation Enrichment Utilizing Graph based Approaches: Stock
Market Technical Analysis Case Study [0.0]
本稿では,教師なしノード表現学習モデルとノード分類/エッジ予測モデルを組み合わせたトランスダクティブハイブリッド手法を提案する。
提案手法は,この分野における最初の研究である株式市場の技術分析報告を分類するために開発された。
論文 参考訳(メタデータ) (2022-11-29T11:26:08Z) - Message Passing Neural Networks for Hypergraphs [6.999112784624749]
本稿では,ハイパーグラフ構造データを処理可能なメッセージパッシングに基づく,最初のグラフニューラルネットワークを提案する。
提案モデルでは,ハイパーグラフのためのニューラルネットワークモデルの設計空間が定義され,既存のハイパーグラフモデルが一般化されることを示す。
論文 参考訳(メタデータ) (2022-03-31T12:38:22Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-11T16:15:25Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳(メタデータ) (2021-09-01T08:24:02Z) - 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) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Contextualised Graph Attention for Improved Relation Extraction [18.435408046826048]
グラフベースのネットワークにおいて,複数のサブグラフを用いてリッチノード表現を学習する手法が提案されている。
GATモデルとGCNモデルとを効果的に組み合わせて関係抽出に適用する2種類のエッジ特徴を提案する。
提案したモデルは、Semeval 2010 Task 8データセット上で最先端のパフォーマンスを達成し、F1スコア86.3を達成する。
論文 参考訳(メタデータ) (2020-04-22T15:04:52Z)
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。