論文の概要: TME-BNA: Temporal Motif-Preserving Network Embedding with Bicomponent Neighbor Aggregation

• arxiv url: http://arxiv.org/abs/2110.13596v1
• Date: Tue, 26 Oct 2021 11:53:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 16:10:40.263788
• Title: TME-BNA: Temporal Motif-Preserving Network Embedding with Bicomponent Neighbor Aggregation
• Title（参考訳）: TME-BNA : 隣接アグリゲーションを用いた一時的モチフ保存ネットワーク
• Authors: Ling Chen, Da Wang, Dandan Lyu, Xing Tang, Hongyu Shi
• Abstract要約: 時間ネットワークの進化は多くの現実の動的システムの抽象化として機能する。 本稿では,TME-BNA という2成分隣接アグリゲーションを用いた時間的モチーフ保存ネットワーク埋め込み手法を提案する。 ノードのトポロジのダイナミクスを捉えるために、TME-BNAはグラフニューラルネットワーク(GNN)を使用して、それぞれの履歴と現在の隣人を集約する。
• 参考スコア（独自算出の注目度）: 6.781943418184634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolving temporal networks serve as the abstractions of many real-life dynamic systems, e.g., social network and e-commerce. The purpose of temporal network embedding is to map each node to a time-evolving low-dimension vector for downstream tasks, e.g., link prediction and node classification. The difficulty of temporal network embedding lies in how to utilize the topology and time information jointly to capture the evolution of a temporal network. In response to this challenge, we propose a temporal motif-preserving network embedding method with bicomponent neighbor aggregation, named TME-BNA. Considering that temporal motifs are essential to the understanding of topology laws and functional properties of a temporal network, TME-BNA constructs additional edge features based on temporal motifs to explicitly utilize complex topology with time information. In order to capture the topology dynamics of nodes, TME-BNA utilizes Graph Neural Networks (GNNs) to aggregate the historical and current neighbors respectively according to the timestamps of connected edges. Experiments are conducted on three public temporal network datasets, and the results show the effectiveness of TME-BNA.
• Abstract（参考訳）: 時間ネットワークの進化は、ソーシャルネットワークやeコマースなど、多くの現実の動的システムの抽象化として機能する。 時間的ネットワーク埋め込みの目的は、リンク予測やノード分類など、下流タスクの時間発展する低次元ベクトルに各ノードをマッピングすることである。 時間的ネットワークの埋め込みの難しさは、時間的ネットワークの進化を捉えるためにトポロジーと時間情報を協調的に利用する方法にある。 この課題に対応するために,TME-BNA という2成分の隣接アグリゲーションを用いた時間的モチーフ保存ネットワーク埋め込み手法を提案する。 時間的モチーフが時間的ネットワークの位相法則や機能的性質の理解に不可欠であることを考えると、TME-BNAは時間的モチーフに基づいて追加のエッジ特徴を構築し、時間的情報とともに複雑なトポロジーを明示的に活用する。 ノードのトポロジのダイナミクスを捉えるため、TME-BNAはグラフニューラルネットワーク(GNN)を使用して、接続されたエッジのタイムスタンプに応じて、それぞれの履歴と現在の隣人を集約する。 3つの公共時間ネットワークデータセットを用いて実験を行い,TME-BNAの有効性を示した。

関連論文リスト

• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• ESGCN: Edge Squeeze Attention Graph Convolutional Network for Traffic Flow Forecasting [15.475463516901938]
  本稿では,複数の地域でのトラフィックフローを予測するネットワークエッジ・スキーズ・コンボリューション・ネットワーク(ESCN)を提案する。 ESGCNは、4つの現実世界のデータセットに対して大きなマージン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） (2023-07-03T04:47:42Z)
• 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)
• DyCSC: Modeling the Evolutionary Process of Dynamic Networks Based on Cluster Structure [1.005130974691351]
  動的クラスタ構造制約モデル(DyCSC)と呼ばれる新しい時間ネットワーク埋め込み手法を提案する。 DyCSCは、ネットワーク内のノードの傾向に時間的制約を課すことで、時間的ネットワークの進化を捉えている。 複数の時間リンク予測タスクにおいて、競合する手法をかなりのマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2022-10-23T10:23:08Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• Online Dynamic Network Embedding [26.203786679460528]
  本稿では,動的ネットワークを扱うためにRNNE(Recurrent Neural Network Embedding)アルゴリズムを提案する。 RNNEはネットワークの静的特性と動的特性の両方を考慮している。 RNNEを5つのネットワーク上で評価し、最先端のアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2020-06-30T02:21:37Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)

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。