論文の概要: Learnable Encoder-Decoder Architecture for Dynamic Graph: A Survey
- arxiv url: http://arxiv.org/abs/2203.10480v1
- Date: Sun, 20 Mar 2022 07:51:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 18:15:43.008170
- Title: Learnable Encoder-Decoder Architecture for Dynamic Graph: A Survey
- Title（参考訳）: 動的グラフのための学習可能なエンコーダデコーダアーキテクチャ:サーベイ
- Authors: Yuecai Zhu, Fuyuan Lyu, Chengming Hu, Xi Chen, Xue Liu
- Abstract要約: 本稿では,動的グラフ進化理論に基づく3段階連続時間学習フレームワークを提案する。
本フレームワークでは,動的グラフ学習のための学習可能なエンコーダ・デコーダアーキテクチャの分類と評価を行う。
- 参考スコア（独自算出の注目度）: 8.320391858497299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the prevalent online services generate a sheer volume of
user activity data. Service providers collect these data in order to perform
client behavior analysis, and offer better and more customized services.
Majority of these data can be modeled and stored as graph, such as the social
graph in Facebook, user-video interaction graph in Youtube. These graphs need
to evolve over time to capture the dynamics in the real world, leading to the
invention of dynamic graphs. However, the temporal information embedded in the
dynamic graphs brings new challenges in analyzing and deploying them. Events
staleness, temporal information learning and explicit time dimension usage are
some example challenges in dynamic graph learning. In order to offer a
convenient reference to both the industry and academia, this survey presents
the Three Stages Recurrent Temporal Learning Framework based on dynamic graph
evolution theories, so as to interpret the learning of temporal information
with a generalized framework. Under this framework, this survey categories and
reviews different learnable encoder-decoder architectures for supervised
dynamic graph learning. We believe that this survey could supply useful
guidelines to researchers and engineers in finding suitable graph structures
for their dynamic learning tasks.
- Abstract（参考訳）: 近年,オンラインサービスは膨大な量のユーザアクティビティデータを生成している。
サービスプロバイダは、クライアントの振る舞い分析を実行するためにこれらのデータを収集し、より良く、よりカスタマイズされたサービスを提供する。
これらのデータの大部分は、facebookのソーシャルグラフやyoutubeのユーザビデオインタラクショングラフなど、グラフとしてモデル化および保存することができる。
これらのグラフは、実世界のダイナミクスを捉えるために時間をかけて進化し、動的グラフの発明につながる。
しかし、動的グラフに埋め込まれた時間情報は、解析とデプロイにおいて新たな課題をもたらす。
イベントの停滞、時間的情報学習、明示的な時間次元の利用は、動的グラフ学習におけるいくつかの課題である。
本研究は,産業とアカデミアの両方に便利な参照を提供するため,動的グラフ進化理論に基づく3段階反復時間学習フレームワークを提案し,一般化された枠組みを用いて時間情報の学習を解釈する。
本フレームワークでは,動的グラフ学習のための学習可能なエンコーダ・デコーダアーキテクチャの分類と評価を行う。
この調査は、研究者やエンジニアにとって、動的学習タスクに適したグラフ構造を見つける上で有用なガイドラインになると考えています。
関連論文リスト
- LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning [61.4707298969173]
本稿では,共通時間グラフ学習アルゴリズムの統一的および統一的な実装を統合する産業用フレームワークであるLasTGLを紹介する。
LasTGLは、詳細なチュートリアルとともに、包括的な時間グラフデータセット、TGNNモデル、ユーティリティを提供する。
論文 参考訳（メタデータ） (2023-11-28T08:45:37Z) - Dynamic Graph Representation Learning with Neural Networks: A Survey [0.0]
動的グラフ表現は新しい機械学習問題として現れた。
本稿では,動的グラフ学習に関連する問題とモデルをレビューすることを目的とする。
論文 参考訳（メタデータ） (2023-04-12T09:39:17Z) - Counterfactual Learning on Graphs: A Survey [34.47646823407408]
グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。
グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。
グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
論文 参考訳（メタデータ） (2023-04-03T21:42:42Z) - Curriculum Graph Machine Learning: A Survey [51.89783017927647]
カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。
本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
論文 参考訳（メタデータ） (2023-02-06T16:59:25Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Graph Lifelong Learning: A Survey [6.545297572977323]
本稿では,グラフ生涯学習のモチベーション,ポテンシャル,最先端のアプローチ,オープンな課題について論じる。
我々はこの新興分野に対する広範な研究と開発への関心を期待する。
論文 参考訳（メタデータ） (2022-02-22T06:14:07Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z) - Online Graph Learning in Dynamic Environments [5.222057229549077]
本稿では,動的環境におけるシーケンシャルデータの場合の学習グラフに焦点を当てる。
逐次データに対して,従来のバッチグラフ学習手法のオンライン版を開発する。
論文 参考訳（メタデータ） (2021-10-11T06:24:30Z) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳（メタデータ） (2020-07-07T16:51:39Z) - Temporal Graph Networks for Deep Learning on Dynamic Graphs [4.5158585619109495]
時系列グラフネットワーク(TGN)は,時系列イベントのシーケンスとして表される動的グラフの深層学習のための汎用的で効率的なフレームワークである。
メモリモジュールとグラフベースの演算子を組み合わせた新しい組み合わせにより、TGNは、計算効率が向上した以前のアプローチを大幅に上回ることができる。
論文 参考訳（メタデータ） (2020-06-18T16:06:18Z) - Deep Learning for Learning Graph Representations [58.649784596090385]
グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。
ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。
これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
論文 参考訳（メタデータ） (2020-01-02T02:13:28Z)
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。