論文の概要: Time-varying Graph Learning Under Structured Temporal Priors

• arxiv url: http://arxiv.org/abs/2110.05018v1
• Date: Mon, 11 Oct 2021 06:11:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 21:03:24.325571
• Title: Time-varying Graph Learning Under Structured Temporal Priors
• Title（参考訳）: 構造化時間前処理における時間変化グラフ学習
• Authors: Xiang Zhang and Qiao Wang
• Abstract要約: 本稿では,時間変化グラフを構造化時間前処理を用いて学習する。 実時間関係を特徴付けるために,時空間グラフ (enmphtemporal graph) という構造を提案する。
• 参考スコア（独自算出の注目度）: 16.73465046419929
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper endeavors to learn time-varying graphs by using structured temporal priors that assume underlying relations between arbitrary two graphs in the graph sequence. Different from many existing chain structure based methods in which the priors like temporal homogeneity can only describe the variations of two consecutive graphs, we propose a structure named \emph{temporal graph} to characterize the underlying real temporal relations. Under this framework, the chain structure is actually a special case of our temporal graph. We further proposed Alternating Direction Method of Multipliers (ADMM), a distributed algorithm, to solve the induced optimization problem. Numerical experiments demonstrate the superiorities of our method.
• Abstract（参考訳）: 本稿では,グラフ列内の任意の2つのグラフ間の基礎関係を仮定した時間的前置法を用いて,時間変化グラフを学習する。 時間的均質性のような先行項が2つの連続するグラフのバリエーションのみを記述できる既存の多くの連鎖構造ベースの方法とは異なり、基礎となる実時間関係を特徴づける構造として \emph{temporal graph} を提案する。 この枠組みの下では、チェーン構造は我々の時間グラフの特別な場合である。 さらに,分散アルゴリズムである乗算器(admm)の交互方向法を提案し,最適化問題を解いた。 数値実験により本手法の優位性が示された。

関連論文リスト

• Clustering Time-Evolving Networks Using the Spatio-Temporal Graph Laplacian [0.8643517734716606]
  我々は既存のスペクトルアルゴリズムを一般化し、時間変化のあるグラフ構造におけるコミュニティを特定し解析する。 テンポラル指向グラフ Laplacian は、有向および無向クラスタの時間経過に伴うクラスタ構造進化の明確な解釈を可能にすることを示す。
  論文  参考訳（メタデータ） (2024-07-12T14:31:54Z)
• Learning Genomic Sequence Representations using Graph Neural Networks over De Bruijn Graphs [1.8024397171920885]
  既存の技法はしばしば複雑な構造の詳細を無視し、主に文脈情報を強調する。 コンテクスト情報と文字列情報を融合する k-mer 埋め込みを開発した。 我々の埋め込みは、編集距離近似とクローズスト文字列検索タスクの先行技術より一貫して優れています。
  論文  参考訳（メタデータ） (2023-12-06T19:23:53Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
  近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。 本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。 本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
  論文  参考訳（メタデータ） (2021-06-14T07:11:36Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。