論文の概要: tBDFS: Temporal Graph Neural Network Leveraging DFS

• arxiv url: http://arxiv.org/abs/2206.05692v1
• Date: Sun, 12 Jun 2022 08:38:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 16:32:08.327271
• Title: tBDFS: Temporal Graph Neural Network Leveraging DFS
• Title（参考訳）: tBDFS: DFSを活用した時間グラフニューラルネットワーク
• Authors: Uriel Singer, Haggai Roitman, Ido Guy, Kira Radinsky
• Abstract要約: 本稿では,新しい時間的GNNアーキテクチャであるtBDFSを提案する。 tBDFSは、グラフ内の所定の(ターゲット)ノードへの時間的パスから情報を効率的に集約する層を適用します。 全体として、私たちの目標は、ノードに新しい情報を追加するのではなく、新しい視点で同じ正確な情報を観察することにあります。
• 参考スコア（独自算出の注目度）: 33.762062743040495
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Temporal graph neural networks (temporal GNNs) have been widely researched, reaching state-of-the-art results on multiple prediction tasks. A common approach employed by most previous works is to apply a layer that aggregates information from the historical neighbors of a node. Taking a different research direction, in this work, we propose tBDFS -- a novel temporal GNN architecture. tBDFS applies a layer that efficiently aggregates information from temporal paths to a given (target) node in the graph. For each given node, the aggregation is applied in two stages: (1) A single representation is learned for each temporal path ending in that node, and (2) all path representations are aggregated into a final node representation. Overall, our goal is not to add new information to a node, but rather observe the same exact information in a new perspective. This allows our model to directly observe patterns that are path-oriented rather than neighborhood-oriented. This can be thought as a Depth-First Search (DFS) traversal over the temporal graph, compared to the popular Breath-First Search (BFS) traversal that is applied in previous works. We evaluate tBDFS over multiple link prediction tasks and show its favorable performance compared to state-of-the-art baselines. To the best of our knowledge, we are the first to apply a temporal-DFS neural network.
• Abstract（参考訳）: 時間グラフニューラルネットワーク(テンポラリGNN)は広く研究されており、複数の予測タスクで最先端の結果に到達している。 ほとんどの以前の研究でよく使われるアプローチは、ノードの歴史的な隣人からの情報を集約するレイヤを適用することである。 本研究では,異なる研究方向を採りながら,新たな時間的GNNアーキテクチャであるtBDFSを提案する。 tBDFSは、グラフ内の所定の(ターゲット)ノードへの時間的パスから情報を効率的に集約する層を適用します。 与えられたノードごとに、アグリゲーションが2つの段階に適用される:(1)そのノードで終わる各時間パスに対して単一の表現が学習され、(2)すべてのパス表現が最終ノード表現に集約される。 全体的な目標は、ノードに新しい情報を追加するのではなく、新しい視点で同じ正確な情報を観察することにあります。 これにより、モデルが近隣指向ではなくパス指向のパターンを直接観察することが可能になります。 これは時間グラフを横断する深さ優先探索(dfs)であり、以前の研究で適用される一般的な呼吸優先探索(bfs)と比較することができる。 複数のリンク予測タスクに対してtBDFSを評価し,最先端のベースラインと比較して良好な性能を示す。 我々の知る限りでは、我々は初めて時相DFSニューラルネットワークを適用している。

関連論文リスト

• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Structure Enhanced Graph Neural Networks for Link Prediction [6.872826041648584]
  リンク予測のための構造拡張グラフニューラルネットワーク(SEG)を提案する。 SEGは、ターゲットノードの周囲の位相情報を通常のGNNモデルに組み込む。 OGBリンク予測データセットの実験は、SEGが最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-01-14T03:49:30Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• SPAGAN: Shortest Path Graph Attention Network [187.75441278910708]
  グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。 本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-10T03:18:34Z)
• Neural Architecture Search in Graph Neural Networks [1.2881413375147996]
  本稿では,グラフニューラルネットワーク(GNN)の最適化のための2つのNAS手法を比較する。 その結果、2つの探索空間上の7つのデータセットについて検討し、どちらの手法もランダムな探索に類似した精度が得られることを示した。
  論文  参考訳（メタデータ） (2020-07-31T21:04:24Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Dynamic Spatiotemporal Graph Neural Network with Tensor Network [12.278768477060137]
  動的空間グラフ構築は時系列データ問題に対するグラフニューラルネットワーク(GNN)の課題である。 我々は、全ての動的空間関係を収集する空間テンソルグラフ(STG)と、各ノードにおける遅延パターンを見つけるための時間テンソルグラフ(TTG)を生成する。 提案手法の精度と時間的コストを,公共交通データセット上での最先端のGNN手法と比較した。
  論文  参考訳（メタデータ） (2020-03-12T20:47:22Z)

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。