Fugu-MT 論文翻訳(概要): ConTIG: Continuous Representation Learning on Temporal Interaction Graphs

論文の概要: ConTIG: Continuous Representation Learning on Temporal Interaction Graphs

arxiv url: http://arxiv.org/abs/2110.06088v1
Date: Mon, 27 Sep 2021 12:11:24 GMT
ステータス: 処理完了
システム内更新日: 2021-10-17 16:49:04.217314
Title: ConTIG: Continuous Representation Learning on Temporal Interaction Graphs
Title（参考訳）: ConTIG: 時間的相互作用グラフによる連続表現学習
Authors: Xu Yan, Xiaoliang Fan, Peizhen Yang, Zonghan Wu, Shirui Pan, Longbiao Chen, Yu Zang and Cheng Wang
Abstract要約: ConTIGは、ノード埋め込み軌道の連続的動的進化をキャプチャする連続表現法である。我々のモデルは、最新の相互作用、隣り合う特徴、固有の特徴を含む、動的ネットワークにおける3つの要素を生かしている。実験結果は、時間的リンク予測、時間的ノードレコメンデーション、動的ノード分類タスクにおけるConTIGの優位性を示す。
参考スコア（独自算出の注目度）: 32.25218861788686
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Representation learning on temporal interaction graphs (TIG) is to model complex networks with the dynamic evolution of interactions arising in a broad spectrum of problems. Existing dynamic embedding methods on TIG discretely update node embeddings merely when an interaction occurs. They fail to capture the continuous dynamic evolution of embedding trajectories of nodes. In this paper, we propose a two-module framework named ConTIG, a continuous representation method that captures the continuous dynamic evolution of node embedding trajectories. With two essential modules, our model exploit three-fold factors in dynamic networks which include latest interaction, neighbor features and inherent characteristics. In the first update module, we employ a continuous inference block to learn the nodes' state trajectories by learning from time-adjacent interaction patterns between node pairs using ordinary differential equations. In the second transform module, we introduce a self-attention mechanism to predict future node embeddings by aggregating historical temporal interaction information. Experiments results demonstrate the superiority of ConTIG on temporal link prediction, temporal node recommendation and dynamic node classification tasks compared with a range of state-of-the-art baselines, especially for long-interval interactions prediction.
Abstract（参考訳）: 時間的相互作用グラフ(tig)上の表現学習は、幅広い問題から生じる相互作用の動的進化を伴う複雑なネットワークをモデル化する。 TIG上の既存の動的埋め込みメソッドは、相互作用が発生した場合にのみノード埋め込みを個別に更新する。それらは、ノードの埋め込み軌道の連続的な動的進化を捉えることができない。本稿では,ノード埋め込みトラジェクトリの連続的動的進化をキャプチャする連続表現法であるConTIGという2つのモジュールフレームワークを提案する。 2つの必須モジュールにより,最新のインタラクション,隣接特徴,固有特性を含む動的ネットワークにおける3次元因子を探索する。第1の更新モジュールでは、常微分方程式を用いてノード対間の時間-隣接相互作用パターンから学習し、ノードの状態軌道を学ぶための連続的推論ブロックを用いる。第2の変換モジュールでは,過去の時間的相互作用情報を集約することにより,将来のノード埋め込みを予測するセルフアテンション機構を導入する。実験の結果、時間的リンク予測、時間的ノード推薦、動的ノード分類タスクにおける連続性が、最先端のベースライン、特に長期間相互作用予測よりも優れていることが示された。

関連論文リスト

Interaction Event Forecasting in Multi-Relational Recursive HyperGraphs: A Temporal Point Process Approach [12.142292322071299]
本研究は,マルチリレーショナル再帰的ハイパーグラフにおける高次相互作用事象の予測問題に対処する。提案したモデルであるtextitRelational Recursive Hyperedge Temporal Point Process (RRHyperTPP) は,歴史的相互作用パターンに基づいて動的ノード表現を学習するエンコーダを使用する。我々は,従来のインタラクション予測手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2024-04-27T15:46:54Z)
TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations [5.602191038593571]
テンポラルグラフニューラルネットワーク(TempGNN)は、複雑なアイテム遷移における構造的・時間的ダイナミクスを捉えるための一般的なフレームワークである。 TempGNNは、2つの現実世界のEコマースデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-10-20T03:13:10Z)
Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-04-15T08:17:18Z)
Multi-Task Edge Prediction in Temporally-Dynamic Video Graphs [16.121140184388786]
MTD-GNNは,複数種類の関係に対して時間動的エッジを予測するグラフネットワークである。時間-動的グラフネットワークにおける複数の関係をモデル化することは相互に有益であることを示す。
論文参考訳（メタデータ） (2022-12-06T10:41:00Z)
Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文参考訳（メタデータ） (2022-06-30T03:37:50Z)
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)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Spatio-Temporal Dynamic Inference Network for Group Activity Recognition [7.007702816885332]
グループ活動は、その問題を解決するために人々のグループが行う活動を理解することを目的としている。従来の手法は、人固有のコンテキストを無視する事前定義されたグラフの推論において制限される。本稿では、動的関係(DR)モジュールと動的ウォーク(DW)モジュールで構成される動的推論ネットワーク(DIN)を提案する。
論文参考訳（メタデータ） (2021-08-26T12:40:20Z)
Deep Structural Point Process for Learning Temporal Interaction Networks [7.288706620982159]
時間的相互作用ネットワークは、ユーザとアイテム間の時系列的相互作用からなる。従来の手法では時間的相互作用ネットワークの構造情報を考慮できず、必然的に準最適結果につながる。本稿では,時間的相互作用ネットワークを学習するためのDSPP(Deep Structure Point Process)を提案する。
論文参考訳（メタデータ） (2021-07-08T03:07:34Z)
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)
GRADE: Graph Dynamic Embedding [76.85156209917932]
GRADEは、軌道に先立ってランダムウォークを課すことで、進化するノードとコミュニティ表現を生成することを学ぶ確率モデルである。我々のモデルは、遷移行列を介して時間ステップ間で更新されるノードコミュニティメンバシップも学習する。実験では、GRADEは動的リンク予測においてベースラインを上回る性能を示し、動的コミュニティ検出において好適な性能を示し、一貫性と解釈可能な進化するコミュニティを特定する。
論文参考訳（メタデータ） (2020-07-16T01:17:24Z)

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。