論文の概要: Time-Aware Neighbor Sampling for Temporal Graph Networks

• arxiv url: http://arxiv.org/abs/2112.09845v1
• Date: Sat, 18 Dec 2021 05:08:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 13:17:57.360178
• Title: Time-Aware Neighbor Sampling for Temporal Graph Networks
• Title（参考訳）: 時間的グラフネットワークにおける近傍サンプリング
• Authors: Yiwei Wang, Yujun Cai, Yuxuan Liang, Henghui Ding, Changhu Wang, Bryan Hooi
• Abstract要約: TNSは時間情報から学習し、いつでも各ノードに対して適応的な受容的近傍を提供する。 TNSは、時間的複雑さを増大させることなく、その有効性を向上するために、人気のある時間的グラフネットワークに柔軟に組み込むことができる。 複数の標準データセットに対する実験結果から、TNSはエッジ予測とノード分類において大きな利益をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 44.78349188966666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a new neighbor sampling method on temporal graphs. In a temporal graph, predicting different nodes' time-varying properties can require the receptive neighborhood of various temporal scales. In this work, we propose the TNS (Time-aware Neighbor Sampling) method: TNS learns from temporal information to provide an adaptive receptive neighborhood for every node at any time. Learning how to sample neighbors is non-trivial, since the neighbor indices in time order are discrete and not differentiable. To address this challenge, we transform neighbor indices from discrete values to continuous ones by interpolating the neighbors' messages. TNS can be flexibly incorporated into popular temporal graph networks to improve their effectiveness without increasing their time complexity. TNS can be trained in an end-to-end manner. It needs no extra supervision and is automatically and implicitly guided to sample the neighbors that are most beneficial for prediction. Empirical results on multiple standard datasets show that TNS yields significant gains on edge prediction and node classification.
• Abstract（参考訳）: 時間グラフに隣接した新しいサンプリング手法を提案する。 時間グラフでは、異なるノードの時間変化特性を予測するには、様々な時間スケールの受容的近傍が必要となる。 そこで本研究では,tnsが時間情報から学習し,任意のノード毎に適応的なレセプティブ近傍を提供するtns(time-aware neighbor sampling)手法を提案する。 時間順の隣接インデックスは離散的であり、微分可能ではないので、近傍のサンプルの方法を学ぶことは自明ではない。 この課題に対処するため、隣人のメッセージを補間することにより、隣人の指標を離散値から連続指標に変換する。 tnsは、時間的複雑さを増すことなく、その効果を改善するために、一般的なテンポラルグラフネットワークに柔軟に組み込むことができる。 TNSはエンドツーエンドでトレーニングすることができる。 余分な監視は不要で、予測に最も有益である隣人のサンプルを自動的に暗黙的に案内される。 複数の標準データセットに対する実験結果から、TNSはエッジ予測とノード分類において大きな利益をもたらすことが示された。

関連論文リスト

• Towards Adaptive Neighborhood for Advancing Temporal Interaction Graph Modeling [19.831424038609462]
  テンポラルグラフネットワーク(TGN)は、テンポラル相互作用グラフのモデル化において、その顕著な性能を実証している。 本稿では,適応型近傍符号化機構を導入し,既存のTGNの強化を目指す。 既存のTGNとシームレスに統合可能な,フレキシブルなプラグアンドプレイモデルSEANを提案する。
  論文  参考訳（メタデータ） (2024-06-14T07:57:17Z)
• Repeat-Aware Neighbor Sampling for Dynamic Graph Learning [8.975322389416734]
  既存の研究は、主に最新の隣のシーケンスに依存して進化するパターンを得る。 将来、2つのノードが相互に相互作用するかどうかは、過去に起こったのと同じ相互作用と非常に相関している、と我々は主張する。 本稿では,近隣のサンプリング戦略と時間情報学習における1次・高次反復行動の進化パターンを考察したRepeatMixerを提案する。
  論文  参考訳（メタデータ） (2024-05-24T03:24:29Z)
• 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)
• It is all Connected: A New Graph Formulation for Spatio-Temporal Forecasting [1.278093617645299]
  グラフニューラルネットワーク(GNN)ネットワークを用いて時間的および空間的依存関係を学習するためのフレームワークを提案する。 GNNは、すべてのサンプルをグラフ内の独自のノードとして表現する。 このフレームワークは時間次元に沿った測定を必要としないため、データサンプリングの計算を必要とせずに、不規則な時系列、異なる周波数、または欠落データを容易にする。
  論文  参考訳（メタデータ） (2023-03-23T11:16:33Z)
• 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)
• 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)
• PushNet: Efficient and Adaptive Neural Message Passing [1.9121961872220468]
  メッセージパッシングニューラルネットワークは、最近、グラフ上での表現学習に対する最先端のアプローチへと進化した。 既存のメソッドは、複数のラウンドですべてのエッジに沿って同期メッセージパッシングを実行する。 我々は、収束するまで最も関連性の高いエッジに沿ってのみ情報をプッシュする、新しい非同期メッセージパッシングアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-03-04T18:15:30Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。