論文の概要: Self-Supervised Dynamic Graph Representation Learning via Temporal Subgraph Contrast

• arxiv url: http://arxiv.org/abs/2112.08733v1
• Date: Thu, 16 Dec 2021 09:35:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 14:20:56.249599
• Title: Self-Supervised Dynamic Graph Representation Learning via Temporal Subgraph Contrast
• Title（参考訳）: 時間的部分グラフコントラストを用いた動的グラフ表現学習
• Authors: Linpu Jiang, Ke-Jia Chen, Jingqiang Chen
• Abstract要約: 本稿では,自己教師型動的グラフ表現学習フレームワーク(DySubC)を提案する。 DySubCは、動的グラフの構造的特徴と進化的特徴を同時に学習するために、時間的部分グラフのコントラスト学習タスクを定義している。 実世界の5つのデータセットの実験では、DySubCは関連するベースラインよりも優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 0.8379286663107846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning on graphs has recently drawn a lot of attention due to its independence from labels and its robustness in representation. Current studies on this topic mainly use static information such as graph structures but cannot well capture dynamic information such as timestamps of edges. Realistic graphs are often dynamic, which means the interaction between nodes occurs at a specific time. This paper proposes a self-supervised dynamic graph representation learning framework (DySubC), which defines a temporal subgraph contrastive learning task to simultaneously learn the structural and evolutional features of a dynamic graph. Specifically, a novel temporal subgraph sampling strategy is firstly proposed, which takes each node of the dynamic graph as the central node and uses both neighborhood structures and edge timestamps to sample the corresponding temporal subgraph. The subgraph representation function is then designed according to the influence of neighborhood nodes on the central node after encoding the nodes in each subgraph. Finally, the structural and temporal contrastive loss are defined to maximize the mutual information between node representation and temporal subgraph representation. Experiments on five real-world datasets demonstrate that (1) DySubC performs better than the related baselines including two graph contrastive learning models and four dynamic graph representation learning models in the downstream link prediction task, and (2) the use of temporal information can not only sample more effective subgraphs, but also learn better representation by temporal contrastive loss.
• Abstract（参考訳）: グラフに関する自己教師型学習は、最近、ラベルからの独立性と表現の堅牢性により、多くの注目を集めている。 この話題に関する最近の研究では、主にグラフ構造のような静的情報を用いるが、エッジのタイムスタンプのような動的情報を取り込むことはできない。 現実グラフはしばしば動的であり、ノード間の相互作用は特定のタイミングで発生する。 本稿では,動的グラフの構造的特徴と進化的特徴を同時に学習する時間的部分グラフコントラスト学習タスクを定義する,自己教師付き動的グラフ表現学習フレームワーク(dysubc)を提案する。 具体的には、動的グラフの各ノードを中央ノードとし、周辺構造とエッジタイムスタンプの両方を用いて対応する時間部分グラフをサンプリングする新しい時間部分グラフサンプリング戦略を提案する。 サブグラフ表現関数は、各サブグラフのノードを符号化した後、中央ノードに対する近傍ノードの影響に応じて設計される。 最後に、ノード表現と時間部分グラフ表現の相互情報を最大化するために、構造的および時間的コントラスト損失を定義する。 実世界の5つのデータセットの実験では、(1)DySubCは、下流リンク予測タスクにおいて、2つのグラフコントラスト学習モデルと4つの動的グラフ表現学習モデルを含む関連するベースラインよりも優れた性能を示し、(2)時間的情報を使用することは、より効果的なサブグラフをサンプリングするだけでなく、時間的コントラスト損失によるより良い表現を学習する。

関連論文リスト

• Graph-Level Embedding for Time-Evolving Graphs [24.194795771873046]
  グラフ表現学習(ネットワーク埋め込みとも呼ばれる)は、様々なレベルの粒度で広く研究されている。 本稿では,このギャップに対処する時間グラフレベルの埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T01:50:37Z)
• 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)
• 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)
• Dynamic Graph Node Classification via Time Augmentation [15.580277876084873]
  動的グラフ上のノード分類のための時間拡張グラフ動的ニューラルネットワーク(TADGNN)フレームワークを提案する。 TADGNNは, 時間的時間的変化を時間的に捉え, 時間的時間的グラフを生成する時間拡張モジュールと, 構築した時間的時間的グラフを用いて時間的時間的表現を学習する情報伝達モジュールの2つのモジュールから構成される。 実験により,TADGNNフレームワークは,高いスケーラビリティを示しながら,静的かつ動的なSOTAGNNモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-12-07T04:13:23Z)
• DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
  離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。 本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
  論文  参考訳（メタデータ） (2022-10-19T14:34:12Z)
• 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)
• 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)
• Graph-Time Convolutional Neural Networks [9.137554315375919]
  第一原理グラフ時間畳み込みニューラルネットワーク(GTCNN)を用いた積グラフによる空間関係の表現 シフト・アンド・テンポラル演算子を追従してグラフタイム畳み込みフィルタを開発し、製品グラフ上の高レベルな特徴を学習する。 アクティブノードの数とパラメータを減らしながら、空間グラフを保存するゼロパッドプーリングを開発しています。
  論文  参考訳（メタデータ） (2021-03-02T14:03:44Z)
• 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)
• Inductive Representation Learning on Temporal Graphs [33.44276155380476]
  時間的動的グラフは、新しいノードの処理と時間的パターンのキャプチャを必要とする。 本研究では,時間-トポロジ的特徴を効率的に集約する時間グラフアテンション層を提案する。 TGAT層を積み重ねることで、ネットワークはノードの埋め込みを時間の関数として認識し、新しいノードと観測されたノードの両方の埋め込みを誘導的に推論することができる。
  論文  参考訳（メタデータ） (2020-02-19T02:05:37Z)

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。