論文の概要: HTGN-BTW: Heterogeneous Temporal Graph Network with Bi-Time-Window Training Strategy for Temporal Link Prediction

• arxiv url: http://arxiv.org/abs/2202.12713v1
• Date: Fri, 25 Feb 2022 14:12:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-28 14:32:58.812229
• Title: HTGN-BTW: Heterogeneous Temporal Graph Network with Bi-Time-Window Training Strategy for Temporal Link Prediction
• Title（参考訳）: HTGN-BTW:時空間リンク予測のためのバイタイムウィンドトレーニング戦略を持つ異種時空間グラフネットワーク
• Authors: Chongjian Yue, Lun Du, Qiang Fu, Wendong Bi, Hengyu Liu, Yu Gu, Di Yao
• Abstract要約: 本稿では,時間的リンク予測タスクを解決するため,HTGN(Heterogeneous Temporal Graph Network)という汎用モデルを提案する。 最終テストではデータセットAで0.662482、データセットBで0.906923、平均Tスコアで0.628942で2位を獲得しました。
• 参考スコア（独自算出の注目度）: 13.358393466464692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of temporal networks such as E-commerce networks and social networks, the issue of temporal link prediction has attracted increasing attention in recent years. The Temporal Link Prediction task of WSDM Cup 2022 expects a single model that can work well on two kinds of temporal graphs simultaneously, which have quite different characteristics and data properties, to predict whether a link of a given type will occur between two given nodes within a given time span. Our team, named as nothing here, regards this task as a link prediction task in heterogeneous temporal networks and proposes a generic model, i.e., Heterogeneous Temporal Graph Network (HTGN), to solve such temporal link prediction task with the unfixed time intervals and the diverse link types. That is, HTGN can adapt to the heterogeneity of links and the prediction with unfixed time intervals within an arbitrary given time period. To train the model, we design a Bi-Time-Window training strategy (BTW) which has two kinds of mini-batches from two kinds of time windows. As a result, for the final test, we achieved an AUC of 0.662482 on dataset A, an AUC of 0.906923 on dataset B, and won 2nd place with an Average T-scores of 0.628942.
• Abstract（参考訳）: 近年,Eコマースネットワークやソーシャルネットワークなどの時間的ネットワークの発展に伴い,時間的リンク予測の問題が注目されている。 wsdm cup 2022の時間的リンク予測タスクは、2つの異なる特性とデータ特性を持つ2種類の時間的グラフを同時に処理できる単一のモデルが、与えられた時間範囲内の2つのノード間で特定のタイプのリンクが起こるかどうかを予測することを期待する。 本研究では,このタスクをヘテロジニアス時相ネットワークにおけるリンク予測タスクとして捉え,非固定時間間隔と多種多様なリンクタイプを用いた時間的リンク予測タスクを解決するための汎用モデルであるヘテロジニアス時相グラフネットワーク(htgn)を提案する。 すなわち、HTGNは任意の時間周期でリンクの不均一性と未固定時間間隔での予測に適応することができる。 モデルをトレーニングするために,2種類のタイムウインドウから2種類のミニバッチを持つバイタイムウインドウトレーニング戦略(btw)を設計した。 その結果、最終テストでは、データセットa上のauc 0.662482、データセットb上のauc 0.906923、平均tスコア 0.628942で2位となった。

関連論文リスト

• Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting [1.864621482724548]
  本稿では,ストックデータから動的空間情報をより包括的に抽出するDPA-STIFormer(Double-Path Adaptive-Temporal Inverted Transformer)を提案する。 4つの株式市場データセットで実施された実験は、最先端の結果を示し、潜在時間相関パターンを明らかにする際のモデルの優れた能力を検証する。
  論文  参考訳（メタデータ） (2024-09-24T01:53:22Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• 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)
• LB-SimTSC: An Efficient Similarity-Aware Graph Neural Network for Semi-Supervised Time Series Classification [4.7828959446344275]
  本稿では,新しいグラフ構築モジュールを用いた,効率的な半教師付き時系列分類手法 LB-SimTSC を提案する。 LB_Keoghを用いてペア距離行列を構築し,グラフニューラルネットワークのためのグラフを構築する。 その結果、大規模なデータセット上でグラフを構築する場合、このアプローチはSimTSCの最大104倍高速であることが示された。
  論文  参考訳（メタデータ） (2023-01-12T06:49:55Z)
• 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)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• 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)
• Event2Graph: Event-driven Bipartite Graph for Multivariate Time-series Anomaly Detection [25.832983667044708]
  本稿では,時系列間の依存性を符号化する動的二部グラフ構造を提案する。 この設計に基づいて、時系列間の関係はイベントノードへの動的接続を通じて明示的にモデル化できる。
  論文  参考訳（メタデータ） (2021-08-15T17:50:37Z)
• Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting [19.50001395081601]
  StemGNNはシリーズ間の相関と時間的依存関係をキャプチャする。 畳み込みと逐次学習モジュールによって効果的に予測できる。 StemGNNの有効性を示すために、10の実世界のデータセットに関する広範な実験を実施します。
  論文  参考訳（メタデータ） (2021-03-13T13:44:20Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。