論文の概要: TIGGER: Scalable Generative Modelling for Temporal Interaction Graphs

• arxiv url: http://arxiv.org/abs/2203.03564v2
• Date: Tue, 8 Mar 2022 12:13:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 11:34:01.585268
• Title: TIGGER: Scalable Generative Modelling for Temporal Interaction Graphs
• Title（参考訳）: TIGGER: 時間的相互作用グラフのためのスケーラブルな生成モデル
• Authors: Shubham Gupta, Sahil Manchanda, Srikanta Bedathur and Sayan Ranu
• Abstract要約: 既存の生成モデルは、時間的地平線やノード数とともにスケールしない。 本稿では,このギャップをTIGGERと呼ばれる新しい生成モデルで埋める。 我々は、TIGGERが優れた忠実度を持つグラフを生成すると同時に、最先端技術よりも最大3桁高速であることを示す。
• 参考スコア（独自算出の注目度）: 19.71442902979904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There has been a recent surge in learning generative models for graphs. While impressive progress has been made on static graphs, work on generative modeling of temporal graphs is at a nascent stage with significant scope for improvement. First, existing generative models do not scale with either the time horizon or the number of nodes. Second, existing techniques are transductive in nature and thus do not facilitate knowledge transfer. Finally, due to relying on one-to-one node mapping from source to the generated graph, existing models leak node identity information and do not allow up-scaling/down-scaling the source graph size. In this paper, we bridge these gaps with a novel generative model called TIGGER. TIGGER derives its power through a combination of temporal point processes with auto-regressive modeling enabling both transductive and inductive variants. Through extensive experiments on real datasets, we establish TIGGER generates graphs of superior fidelity, while also being up to 3 orders of magnitude faster than the state-of-the-art.
• Abstract（参考訳）: 近年,グラフ生成モデルの学習が急増している。 静的グラフ上では目覚ましい進歩があったが、時間グラフの生成モデリングの研究は、改善のための大きなスコープを持つ初期段階にある。 まず、既存の生成モデルは、時間軸とノード数の両方でスケールしない。 第二に、既存の技術は本質的にトランスダクティブであり、そのため知識の伝達が容易ではない。 最後に、ソースから生成されたグラフへの1対1のノードマッピングに依存するため、既存のモデルではノード識別情報が漏洩し、ソースグラフサイズをアップスケーリング/ダウンスケーリングすることができない。 本稿では,このギャップをTIGGERと呼ばれる新しい生成モデルで埋める。 TIGGERは、時間点過程と自己回帰モデリングを組み合わせることで、トランスダクティブとインダクティブの両方の変形を可能にする。 実際のデータセットに関する広範な実験を通じて、TIGGERは優れた忠実度のグラフを生成すると同時に、最先端技術よりも最大3桁高速であることを示す。

関連論文リスト

• A Deep Probabilistic Framework for Continuous Time Dynamic Graph Generation [4.568104644312763]
  このアプローチを連続時間動的グラフの生成フレームワークであるDG-Genとして定式化する。 実験により,DG-Genは従来の手法に比べて高忠実度グラフを生成するだけでなく,リンク予測タスクも大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-12-20T05:34:11Z)
• Efficient Dynamic Attributed Graph Generation [34.15455546339396]
  高速な動的属性グラフ生成のための新しい変動リカレントフレームワークであるVRDAGを紹介する。 具体的には、向き付けられた構造知識とスナップショットの属性情報の両方を符号化する双方向メッセージパッシング機構を設計する。 提案した生成パラダイムは、既存のランダムウォーク法における時間を要する経路サンプリングおよびマージプロセスを回避する。
  論文  参考訳（メタデータ） (2024-12-11T22:53:27Z)
• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Deep Prompt Tuning for Graph Transformers [55.2480439325792]
  ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。 ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。 事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
  論文  参考訳（メタデータ） (2023-09-18T20:12:17Z)
• Graph Relation Aware Continual Learning [3.908470250825618]
  連続グラフ学習(CGL)は、無限のグラフデータストリームから学習する問題を研究する。 我々は、縁の裏側にある潜伏関係を探索する関係発見モジュールからなるRAM-CGと呼ばれる関係認識適応モデルを設計する。 RAM-CGはCitationNet、OGBN-arxiv、TWITCHデータセットの最先端結果に対して2.2%、6.9%、および6.6%の精度向上を提供する。
  論文  参考訳（メタデータ） (2023-08-16T09:53:20Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Generative Diffusion Models on Graphs: Methods and Applications [50.44334458963234]
  拡散モデルは、新しい生成パラダイムとして、様々な画像生成タスクにおいて顕著な成功を収めた。 グラフ生成は多くの実世界のアプリケーションを持つグラフ上で重要な計算タスクである。
  論文  参考訳（メタデータ） (2023-02-06T06:58:17Z)
• FLOWGEN: Fast and slow graph generation [49.21890450444187]
  本稿では、心の二重過程理論に着想を得たグラフ生成モデルFLOWGENを提案する。 現在のステップでグラフを完成させることの難しさに応じて、グラフ生成は高速(ウェイカー)または遅い(ストロンガー)モデルにルートされる。 実世界のグラフの実験では、一つの大きなモデルが生成したグラフと同じようなグラフを、ほんの少しの時間で生成できることが示されている。
  論文  参考訳（メタデータ） (2022-07-15T16:32:23Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• TG-GAN: Continuous-time Temporal Graph Generation with Deep Generative Models [9.75258136573147]
  本稿では,時系列グラフ生成のためのTG-GAN'と呼ばれる新しいモデルを提案する。 まず,時間予算とノード属性を共同でモデル化する新しい時間グラフ生成手法を提案する。 さらに、繰り返しアーキテクチャ上での時間とノードの符号化操作を組み合わせて生成されたシーケンスを識別する新しい時間グラフ識別器を提案する。
  論文  参考訳（メタデータ） (2020-05-17T17:59:12Z)

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。