論文の概要: WalkingTime: Dynamic Graph Embedding Using Temporal-Topological Flows

• arxiv url: http://arxiv.org/abs/2111.10928v1
• Date: Mon, 22 Nov 2021 00:04:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 17:18:45.865863
• Title: WalkingTime: Dynamic Graph Embedding Using Temporal-Topological Flows
• Title（参考訳）: 時間-トポロジカルフローを用いた動的グラフ埋め込み
• Authors: David Bayani
• Abstract要約: 本稿では,時間処理の基本的な違いに基づいて,新しい埋め込みアルゴリズムWalkingTimeを提案する。 我々は、時間的および位相的局所的な相互作用からなるフローを、時間的属性の離散化やアライメントを必要とせずに、プリミティブとして保持する。
• 参考スコア（独自算出の注目度）: 3.8073142980733
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Increased attention has been paid over the last four years to dynamic network embedding. Existing dynamic embedding methods, however, consider the problem as limited to the evolution of a topology over a sequence of global, discrete states. We propose a novel embedding algorithm, WalkingTime, based on a fundamentally different handling of time, allowing for the local consideration of continuously occurring phenomena; while others consider global time-steps to be first-order citizens of the dynamic environment, we hold flows comprised of temporally and topologically local interactions as our primitives, without any discretization or alignment of time-related attributes being necessary. Keywords: dynamic networks , representation learning , dynamic graph embedding , time-respecting paths , temporal-topological flows , temporal random walks , temporal networks , real-attributed knowledge graphs , streaming graphs , online networks , asynchronous graphs , asynchronous networks , graph algorithms , deep learning , network analysis , datamining , network science
• Abstract（参考訳）: この4年間で,ダイナミックネットワークの組み込みに注目が集まっている。 しかし、既存の動的埋め込み法は、この問題をグローバルな離散状態列上のトポロジーの進化に限られていると考えている。 本研究では, 時間処理を基本とする新しい埋め込みアルゴリズムであるwalkingtimeを提案し, 連続的に発生する現象の局所的考察を可能にした。グローバル時間ステップを動的環境の一階市民と考える者もいるが, 時間的および位相的局所的相互作用からなる流れを原始的として保持する。 キーワード:動的ネットワーク、表現学習、動的グラフ埋め込み、時間的トポロジカルフロー、時間的ランダムウォーク、時間的ネットワーク、リアルタイム知識グラフ、ストリーミンググラフ、オンラインネットワーク、非同期グラフ、非同期ネットワーク、グラフアルゴリズム、ディープラーニング、ネットワーク分析、データマイニング、ネットワークサイエンス

関連論文リスト

• 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)
• Continuous-time Graph Representation with Sequential Survival Process [0.17265013728931003]
  本稿では,リンクの継続時間と不在期間をモデル化するために,生存関数に依存するプロセスを提案する。 GraSSP: Graph Representation with Sequential Survival Processは、断続的なエッジパーシスタントネットワークを明示的に考慮した、汎用的な新しいモデルを形成する。 我々は、リンク予測やネットワーク補完など、様々な下流タスクにおいて開発されたフレームワークを定量的に評価する。
  論文  参考訳（メタデータ） (2023-12-20T14:46:54Z)
• 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)
• A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction [7.23135508361981]
  本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。 実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-02-21T03:51:52Z)
• Piecewise-Velocity Model for Learning Continuous-time Dynamic Node Representations [0.0]
  連続時間動的ネットワーク表現のためのPiecewise-Veable Model (PiVeM)。 超低次元空間において、PiVeMはネットワーク構造と力学をうまく表現できることを示す。 リンク予測などの下流タスクでは、関連する最先端メソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-12-23T13:57:56Z)
• Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
  時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。 ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。 実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-30T18:24:13Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting [1.52292571922932]
  本稿では,トラフィック予測のためのニューラルネットワークを用いた時空間動的グラフ畳み込みネットワーク(STIDGCN)を提案する。 そこで,STIDGCNでは,まず間隔でシーケンスを分割し,同時にトラフィックデータの時空間依存性を捉えるインタラクティブな動的グラフ畳み込み構造を提案する。 4つの実世界のトラフィックフローデータセットの実験は、STIDGCNが最先端のベースラインより優れていることを示した。
  論文  参考訳（メタデータ） (2022-05-18T01:59:30Z)
• 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)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• A Survey on Embedding Dynamic Graphs [0.0]
  我々は動的グラフ埋め込みを概観し,その基礎と最近の進歩について論じる。 問題設定に焦点をあて,動的グラフ埋め込みの形式的定義を導入する。 我々は、埋め込み、トポロジ的進化による分類、特徴進化、ネットワーク上のプロセスによって包含される様々な動的挙動を探索する。
  論文  参考訳（メタデータ） (2021-01-04T20:35:26Z)

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。