論文の概要: DynG2G: An Efficient Stochastic Graph Embedding Method for Temporal Graphs

• arxiv url: http://arxiv.org/abs/2109.13441v1
• Date: Tue, 28 Sep 2021 02:36:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-09-30 02:02:54.023450
• Title: DynG2G: An Efficient Stochastic Graph Embedding Method for Temporal Graphs
• Title（参考訳）: DynG2G:時間グラフの効率的な確率グラフ埋め込み法
• Authors: Mengjia Xu, Apoorva Vikram Singh, and George Em Karniadakis
• Abstract要約: ノード三重項に基づくコントラスト損失を学習したインダクティブフィードフォワードを応用した,効率的な動的グラフ埋め込み法(DynG2G)を提案する。 我々は、DynG2Gが新しい最先端性能を達成する8つの動的グラフベンチマークに関する広範な実験を通して実証する。 また、DynG2Gは、時間とともに力学系の内在的な次元を定量化する上で重要な役割を担う、不確実性の進化を予測できることを示した。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic graph embedding has gained great attention recently due to its capability of learning low dimensional graph representations for complex temporal graphs with high accuracy. However, recent advances mostly focus on learning node embeddings as deterministic "vectors" for static graphs yet disregarding the key graph temporal dynamics and the evolving uncertainties associated with node embedding in the latent space. In this work, we propose an efficient stochastic dynamic graph embedding method (DynG2G) that applies an inductive feed-forward encoder trained with node triplet-based contrastive loss. Every node per timestamp is encoded as a time-dependent probabilistic multivariate Gaussian distribution in the latent space, hence we can quantify the node embedding uncertainty on-the-fly. We adopted eight different benchmarks that represent diversity in size (from 96 nodes to 87,626 and from 13,398 edges to 4,870,863) and diversity in dynamics. We demonstrate via extensive experiments on these eight dynamic graph benchmarks that DynG2G achieves new state-of-the-art performance in capturing the underlying temporal node embeddings. We also demonstrate that DynG2G can predict the evolving node embedding uncertainty, which plays a crucial role in quantifying the intrinsic dimensionality of the dynamical system over time. We obtain a universal relation of the optimal embedding dimension, $L_o$, versus the effective dimensionality of uncertainty, $D_u$, and we infer that $L_o=D_u$ for all cases. This implies that the uncertainty quantification approach we employ in the DynG2G correctly captures the intrinsic dimensionality of the dynamics of such evolving graphs despite the diverse nature and composition of the graphs at each timestamp. Moreover, this $L_0 - D_u$ correlation provides a clear path to select adaptively the optimum embedding size at each timestamp by setting $L \ge D_u$.
• Abstract（参考訳）: 近年,複雑な時間グラフに対して低次元グラフ表現を高精度に学習できることから,動的グラフ埋め込みが注目されている。 しかし、最近の進歩は主に静的グラフに対する決定論的「ベクトル」としてのノード埋め込みの学習に焦点が当てられているが、キーグラフの時間的ダイナミクスや潜在空間におけるノード埋め込みに関連する不確実性は無視されている。 本稿では,ノードトリプレットに基づくコントラスト損失を訓練したインダクティブフィードフォワードエンコーダを適用する,効率的な確率的動的グラフ埋め込み法(dyng2g)を提案する。 タイムスタンプ毎の各ノードは、潜時空間における時間依存確率的多変量ガウス分布として符号化されるので、不確実性をオンザフライで埋め込むノードを定量化できる。 96ノードから87,626、13,398エッジから4,870,863まで、そしてダイナミクスの多様性を表す8つの異なるベンチマークを採用しました。 我々は、DynG2Gが時間ノード埋め込みをキャプチャする上で、新しい最先端性能を実現する8つの動的グラフベンチマークに関する広範な実験を通して実証する。 また,dyng2gは,動的システムの固有次元を経時的に定量化する上で重要な役割を果たす,ノード埋め込みの不確かさを予測できることを示した。 最適埋め込み次元 l_o$ と不確かさの有効次元 d_u$ の普遍関係を求め、すべての場合に対して $l_o=d_u$ を推定する。 これは、dyng2gで採用する不確実性定量化アプローチが、各タイムスタンプにおけるグラフの多様な性質と構成にもかかわらず、進化するグラフのダイナミクスの固有次元を正確に捉えていることを意味する。 さらに、この$L_0 - D_u$相関は、$L \ge D_u$を設定して各タイムスタンプにおける最適埋め込みサイズを適応的に選択するための明確な経路を提供する。

関連論文リスト

• TransformerG2G: Adaptive time-stepping for learning temporal graph embeddings using transformers [2.2120851074630177]
  本研究では,不確実な定量化を伴うグラフ埋め込みモデルであるTransformerG2Gを開発し,時間的グラフの時間的ダイナミクスを学習する。 提案したTransformerG2Gモデルが従来のマルチステップ法より優れていることを示す。 注意重みを調べることで、時間的依存関係を解明し、影響力のある要素を特定し、グラフ構造内の複雑な相互作用についての洞察を得ることができる。
  論文  参考訳（メタデータ） (2023-07-05T18:34:22Z)
• 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)
• 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)
• Missing Data Estimation in Temporal Multilayer Position-aware Graph Neural Network (TMP-GNN) [5.936402320555635]
  TMP-GNN(Temporal Multilayered Position-aware Graph Neural Network)は,動的グラフに対するノード埋め込み手法である。 時間的多層グラフの2つの異なる表現に対するTMP-GNNの性能評価を行った。 我々は、TMP-GNNをディープラーニングフレームワークに組み込んで、欠落したデータを推定し、その性能を対応する有能なGNNと比較する。
  論文  参考訳（メタデータ） (2021-08-07T08:32:40Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• FeatureNorm: L2 Feature Normalization for Dynamic Graph Embedding [39.527059564775094]
  グラフ畳み込みネットワーク(GCN)は、非ユークリッドアプリケーションドメインで広く研究され、利用されている。 本稿では,まずノード埋め込み空間における縮小特性を解析し,単純で汎用的な手法を設計する。 実世界の4つの動的グラフデータセットと競合ベースラインモデルの比較実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-02-27T09:13:47Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Dynamic Spatiotemporal Graph Neural Network with Tensor Network [12.278768477060137]
  動的空間グラフ構築は時系列データ問題に対するグラフニューラルネットワーク(GNN)の課題である。 我々は、全ての動的空間関係を収集する空間テンソルグラフ(STG)と、各ノードにおける遅延パターンを見つけるための時間テンソルグラフ(TTG)を生成する。 提案手法の精度と時間的コストを,公共交通データセット上での最先端のGNN手法と比較した。
  論文  参考訳（メタデータ） (2020-03-12T20:47:22Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。