論文の概要: Event Detection on Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2110.12148v1
• Date: Sat, 23 Oct 2021 05:52:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-31 23:24:19.820843
• Title: Event Detection on Dynamic Graphs
• Title（参考訳）: 動的グラフ上のイベント検出
• Authors: Mert Kosan, Arlei Silva, Sourav Medya, Brian Uzzi, Ambuj Singh
• Abstract要約: イベント検出は、グラフ分析アプリケーションにおいて、タイムリーな意思決定にとって重要なタスクである。 動的グラフ上でのイベント検出のための,単純かつ斬新な深層学習モデルDyGEDを提案する。
• 参考スコア（独自算出の注目度）: 4.128347119808724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event detection is a critical task for timely decision-making in graph analytics applications. Despite the recent progress towards deep learning on graphs, event detection on dynamic graphs presents particular challenges to existing architectures. Real-life events are often associated with sudden deviations of the normal behavior of the graph. However, existing approaches for dynamic node embedding are unable to capture the graph-level dynamics related to events. In this paper, we propose DyGED, a simple yet novel deep learning model for event detection on dynamic graphs. DyGED learns correlations between the graph macro dynamics -- i.e. a sequence of graph-level representations -- and labeled events. Moreover, our approach combines structural and temporal self-attention mechanisms to account for application-specific node and time importances effectively. Our experimental evaluation, using a representative set of datasets, demonstrates that DyGED outperforms competing solutions in terms of event detection accuracy by up to 8.5% while being more scalable than the top alternatives. We also present case studies illustrating key features of our model.
• Abstract（参考訳）: イベント検出は、グラフ分析アプリケーションにおけるタイムリーな意思決定にとって重要なタスクである。 グラフの深層学習への最近の進歩にもかかわらず、動的グラフ上のイベント検出は、既存のアーキテクチャに特別な課題をもたらす。 実生活の出来事はグラフの正常な振る舞いの突然の逸脱としばしば関連づけられる。 しかし、動的ノード埋め込みの既存のアプローチでは、イベントに関連するグラフレベルのダイナミクスをキャプチャできない。 本稿では,動的グラフ上でのイベント検出のための簡易かつ斬新なディープラーニングモデルDyGEDを提案する。 DyGEDはグラフマクロ力学、すなわちグラフレベルの表現列とラベル付きイベントの間の相関関係を学習する。 さらに,アプリケーション固有のノードと時間的重要性を効果的に考慮するために,構造的・時間的自己注意機構を組み合わせる。 代表的なデータセットを用いた実験評価では、DyGEDは競合するソリューションよりも、イベント検出精度が最大8.5%向上し、上位の選択肢よりもスケーラブルであることが示されている。 また,本モデルの重要な特徴を示すケーススタディも提示する。

関連論文リスト

• Retrieval Augmented Generation for Dynamic Graph Modeling [15.09162213134372]
  動的グラフモデリングは、様々なアプリケーションで進化するパターンを分析するのに不可欠である。 既存のアプローチは、しばしばグラフニューラルネットワークと時間モジュールを統合するか、生成シーケンスタスクとして動的グラフモデリングを再定義する。 本稿では,動的グラフモデリング(RAG4DyG)フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2024-08-26T09:23:35Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• A Graph Regularized Point Process Model For Event Propagation Sequence [2.9093633827040724]
  ポイントプロセスは、不規則な間隔で発生するイベントシーケンスをモデル化するための支配的なパラダイムである。 本稿では,隣接ノード間のイベントインタラクションを特徴付けるグラフ正規化ポイントプロセスを提案する。 グラフ正規化法を適用することにより、GRPPはノード間の影響強度を明らかにすることによってモデル解釈可能性を提供する。
  論文  参考訳（メタデータ） (2022-11-21T04:49:59Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Semi-Supervised Graph Attention Networks for Event Representation Learning [0.0]
  本稿では,グラフ注意ネットワークとグラフ正規化を組み合わせたGNEE(GAT Neural Event Embeddings)を提案する。 5つの実世界のイベントグラフと6つのグラフ埋め込みによる実験結果の統計的解析により、GNEEは最先端の半教師付きグラフ埋め込み法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-02T14:38:28Z)
• Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)
• 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)

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。