Fugu-MT 論文翻訳(概要): DGSVis: Visual Analysis of Hierarchical Snapshots in Dynamic Graph

論文の概要: DGSVis: Visual Analysis of Hierarchical Snapshots in Dynamic Graph

arxiv url: http://arxiv.org/abs/2205.13220v1
Date: Thu, 26 May 2022 08:31:22 GMT
ステータス: 処理完了
システム内更新日: 2022-05-27 15:04:39.495263
Title: DGSVis: Visual Analysis of Hierarchical Snapshots in Dynamic Graph
Title（参考訳）: DGSVis:動的グラフにおける階層スナップショットの可視化解析
Authors: Baofeng Chang
Abstract要約: 本稿では,動的なグラフを複数粒度と階層的なスナップショットに分割して解析するスナップショット生成アルゴリズムを提案する。また,動的グラフ情報へのアクセスを効果的に支援する視覚解析プロトタイプシステム(DGSVis)を設計する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dynamic graph visualization attracts researchers' concentration as it represents time-varying relationships between entities in multiple domains (e.g., social media analysis, academic cooperation analysis, team sports analysis). Integrating visual analytic methods is consequential in presenting, comparing, and reviewing dynamic graphs. Even though dynamic graph visualization is developed for many years, how to effectively visualize large-scale and time-intensive dynamic graph data with subtle changes is still challenging for researchers. To provide an effective analysis method for this type of dynamic graph data, we propose a snapshot generation algorithm involving Human-In-Loop to help users divide the dynamic graphs into multi-granularity and hierarchical snapshots for further analysis. In addition, we design a visual analysis prototype system (DGSVis) to assist users in accessing the dynamic graph insights effectively. DGSVis integrates a graphical operation interface to help users generate snapshots visually and interactively. It is equipped with the overview and details for visualizing hierarchical snapshots of the dynamic graph data. To illustrate the usability and efficiency of our proposed methods for this type of dynamic graph data, we introduce two case studies based on basketball player networks in a competition. In addition, we conduct an evaluation and receive exciting feedback from experienced visualization experts.
Abstract（参考訳）: ダイナミックグラフの可視化は、複数のドメイン内のエンティティ間の時間変化の関係(ソーシャルメディア分析、学術協力分析、チームスポーツ分析など)を表すため、研究者の集中を惹きつける。視覚解析手法の統合は、動的グラフの提示、比較、レビューにおいて重要となる。動的グラフの可視化は長年開発されてきたが、大規模かつ時間集約的な動的グラフデータを微妙な変化で効果的に視覚化する方法は研究者にとって依然として難しい。このタイプの動的グラフデータに対して有効な解析法を提供するために、ユーザが動的グラフを多面的および階層的スナップショットに分割するのに役立つ、ヒューマン・イン・ループを含むスナップショット生成アルゴリズムを提案する。さらに,ユーザによる動的グラフインサイトへのアクセスを効果的に支援するdsvis(visual analysis prototype system)を設計した。 DGSVisはグラフィカルな操作インターフェースを統合し、ユーザーが視覚的にインタラクティブにスナップショットを生成するのに役立つ。動的グラフデータの階層的なスナップショットを可視化するための概要と詳細を備えている。この種の動的グラフデータに対する提案手法の有用性と効率性を説明するため,バスケットボール選手ネットワークを用いた2つのケーススタディをコンペティションで紹介する。さらに、評価を行い、経験豊富な可視化専門家からエキサイティングなフィードバックを受けます。

関連論文リスト

Retrieval Augmented Generation for Dynamic Graph Modeling [15.09162213134372]
動的グラフモデリングは、様々なアプリケーションで進化するパターンを分析するのに不可欠である。既存のアプローチは、しばしばグラフニューラルネットワークと時間モジュールを統合するか、生成シーケンスタスクとして動的グラフモデリングを再定義する。本稿では,動的グラフモデリング(RAG4DyG)フレームワークについて紹介する。
論文参考訳（メタデータ） (2024-08-26T09:23:35Z)
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)
EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文参考訳（メタデータ） (2023-03-22T06:35:08Z)
Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
既存の作業は、動的グラフを変更のシーケンスとして見るだけである。動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。頂点とエッジのタイムパン組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。頂点表現
論文参考訳（メタデータ） (2022-07-01T15:32:56Z)
Exploiting Long-Term Dependencies for Generating Dynamic Scene Graphs [15.614710220461353]
動的シーングラフを効果的に生成するためには,長期的依存関係のキャプチャが鍵となることを示す。実験の結果,動的シーングラフ検出変換器(DSG-DETR)は最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2021-12-18T03:02:11Z)
Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
論文参考訳（メタデータ） (2021-12-14T22:24:53Z)
Dynamic Graph Representation Learning via Graph Transformer Networks [41.570839291138114]
動的グラフ変換器 (DGT) を用いた動的グラフ学習手法を提案する。 DGTは、グラフトポロジを効果的に学習し、暗黙のリンクをキャプチャするための時空間符号化を持つ。 DGTはいくつかの最先端のベースラインと比較して優れた性能を示す。
論文参考訳（メタデータ） (2021-11-19T21:44:23Z)
Dynamic Graph Echo State Networks [11.900741510492754]
動的時間グラフの効率的な処理のためのグラフエコー状態ネットワークの拡張を提案する。我々のモデルは、トレーニングを必要とせず、各タイミングで更新される動的グラフのベクトル符号化を提供する。実験では、12の分散プロセス分類タスクにおいて、近似時間グラフカーネルに匹敵する精度を示す。
論文参考訳（メタデータ） (2021-10-16T12:51:50Z)
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)
Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
論文参考訳（メタデータ） (2021-02-21T18:19:49Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。