論文の概要: Graph-Survival: A Survival Analysis Framework for Machine Learning on Temporal Network

• arxiv url: http://arxiv.org/abs/2203.07260v1
• Date: Mon, 14 Mar 2022 16:40:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 18:59:07.311854
• Title: Graph-Survival: A Survival Analysis Framework for Machine Learning on Temporal Network
• Title（参考訳）: Graph-Survival: 一時的ネットワーク上での機械学習のための生存分析フレームワーク
• Authors: Rapha\"el Romero, Bo Kang, Tijl De Bie
• Abstract要約: 連続時間時間ネットワークのための生成モデルを設計するためのフレームワークを提案する。 本稿では,本フレームワーク内のモデルに適合する手法と,所望の特性を持つ新しい時間ネットワークをシミュレートするアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 14.430635608400982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous time temporal networks are attracting increasing attention due their omnipresence in real-world datasets and they manifold applications. While static network models have been successful in capturing static topological regularities, they often fail to model effects coming from the causal nature that explain the generation of networks. Exploiting the temporal aspect of networks has thus been the focus of various studies in the last decades. We propose a framework for designing generative models for continuous time temporal networks. Assuming a first order Markov assumption on the edge-specific temporal point processes enables us to flexibly apply survival analysis models directly on the waiting time between events, while using time-varying history-based features as covariates for these predictions. This approach links the well-documented field of temporal networks analysis through multivariate point processes, with methodological tools adapted from survival analysis. We propose a fitting method for models within this framework, and an algorithm for simulating new temporal networks having desired properties. We evaluate our method on a downstream future link prediction task, and provide a qualitative assessment of the network simulations.
• Abstract（参考訳）: 連続時間時間ネットワークは、実世界のデータセットと多様体の応用において、その全能性によって注目が集まっている。 静的ネットワークモデルは静的なトポロジカルな正規性を捉えることに成功しているが、ネットワークの生成を説明する因果的性質から生じる効果をモデル化できないことが多い。 ネットワークの時間的側面の爆発は、過去数十年間、様々な研究の焦点となっている。 連続時間時間ネットワークのための生成モデルを設計するためのフレームワークを提案する。 エッジ固有の時間点過程におけるマルコフの第一次仮定を仮定すると、時間変化履歴に基づく特徴をこれらの予測の共変量として使用しながら、イベント間の待ち時間に直接、生存分析モデルを直接柔軟に適用することができる。 このアプローチは、多変量点プロセスによる時間ネットワーク解析の文書化された分野と、生存分析に適応した方法論的ツールを結びつける。 本稿では,本フレームワーク内のモデルに適合する手法と,所望の特性を持つ新しい時間ネットワークをシミュレートするアルゴリズムを提案する。 下流リンク予測タスクにおける提案手法を評価し,ネットワークシミュレーションの質的評価を行う。

関連論文リスト

• 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)
• 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)
• Generating fine-grained surrogate temporal networks [12.7211231166069]
  代理時間ネットワークを生成するための新しい簡易な手法を提案する。 本手法は、入力ネットワークを時間とともに進化する星状構造に分解する。 次に、これらの構造をビルディングブロックとして使用して、代理時間ネットワークを生成する。
  論文  参考訳（メタデータ） (2022-05-18T09:38:22Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• PRESTO: Simple and Scalable Sampling Techniques for the Rigorous Approximation of Temporal Motif Counts [7.025709586759655]
  時間的モチーフのカウントの厳密な近似を得るために,効率的かつスケーラブルなアルゴリズムを提案する。 私たちのアルゴリズムは、シンプルで効果的なサンプリングアプローチに基づいており、非常に大規模なデータセットに実用的です。
  論文  参考訳（メタデータ） (2021-01-18T16:35:12Z)
• EPNE: Evolutionary Pattern Preserving Network Embedding [26.06068388979255]
  本研究では,ノードの局所構造の進化パターンを保存するための時間ネットワーク埋め込みモデルEPNEを提案する。 時間情報の適切なモデリングにより,本モデルは様々な予測タスクにおいて,他の競合手法よりも優れている。
  論文  参考訳（メタデータ） (2020-09-24T06:31:14Z)
• Online Estimation and Community Detection of Network Point Processes for Event Streams [12.211623200731788]
  ネットワークモデリングにおける共通のゴールは、ノード間に存在する潜在コミュニティ構造を明らかにすることである。 本稿では,ネットワーク上の動的イベント到着に基づく潜在構造を推定する高速なオンライン変分推定アルゴリズムを提案する。 オンライン推論は、コミュニティリカバリの観点から、オンライン以外の変種に匹敵する性能が得られることを実証する。
  論文  参考訳（メタデータ） (2020-09-03T15:39:55Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。