論文の概要: Temporal Link Prediction via Adjusted Sigmoid Function and 2-Simplex
Sructure
- arxiv url: http://arxiv.org/abs/2206.09529v1
- Date: Mon, 20 Jun 2022 01:32:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-25 16:54:21.842751
- Title: Temporal Link Prediction via Adjusted Sigmoid Function and 2-Simplex
Sructure
- Title(参考訳): 調整シグモイド関数と2-Simplexスクラッチによる時間リンク予測
- Authors: Ruizhi Zhang, Qiaozi Wang, Qiming Yang and Wei Wei
- Abstract要約: 調整されたシグモイド関数と2-simplex structure(TLPSS)を用いた新しい時間リンク予測モデルを提案する。
提案モデルでは,他のベースライン手法と比較して平均15%のリンク予測性能が向上する。
- 参考スコア(独自算出の注目度): 7.478752512210058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal network link prediction is an important task in the field of network
science, and has a wide range of applications in practical scenarios. Revealing
the evolutionary mechanism of the network is essential for link prediction, and
how to effectively utilize the historical information for temporal links and
efficiently extract the high-order patterns of network structure remains a
vital challenge. To address these issues, in this paper, we propose a novel
temporal link prediction model with adjusted sigmoid function and 2-simplex
structure (TLPSS). The adjusted sigmoid decay mode takes the active, decay and
stable states of edges into account, which properly fits the life cycle of
information. Moreover, the latent matrix sequence is introduced, which is
composed of simplex high-order structure, to enhance the performance of link
prediction method since it is highly feasible in sparse network. Combining the
life cycle of information and simplex high-order structure, the overall
performance of TLPSS is achieved by satisfying the consistency of temporal and
structural information in dynamic networks. Experimental results on six
real-world datasets demonstrate the effectiveness of TLPSS, and our proposed
model improves the performance of link prediction by an average of 15% compared
to other baseline methods.
- Abstract(参考訳): 時間的ネットワークリンク予測は,ネットワーク科学の分野において重要な課題であり,実用シナリオにおいて幅広い応用がある。
ネットワークの進化機構を明らかにすることはリンク予測に不可欠であり、歴史的情報を時間的リンクに効果的に活用し、ネットワーク構造の高次パターンを効率的に抽出する方法は重要な課題である。
そこで本稿では,シグモイド関数と2-simplex structure (tlpss) を調整した新しい時間的リンク予測モデルを提案する。
調整されたシグモイド崩壊モードは、エッジの活性、減衰、安定状態を考慮して、情報のライフサイクルに適切に適合する。
さらに,単純な高次構造からなる潜在行列配列を導入し,スパースネットワークで実現可能なリンク予測法の性能を向上させる。
情報と高次構造のライフサイクルを組み合わせることで,動的ネットワークにおける時間的・構造的情報の整合性を満たすことで,TLPSSの全体的な性能を実現する。
6つの実世界のデータセットにおける実験結果は,tlpsの有効性を示し,提案モデルはリンク予測の性能を,他のベースライン法と比較して平均15%向上させる。
関連論文リスト
- Context-Conditioned Spatio-Temporal Predictive Learning for Reliable V2V Channel Prediction [25.688521281119037]
下流タスクの最適化には,V2Vチャネル状態情報(CSI)予測が不可欠である。
従来の予測手法は、時間、帯域幅、アンテナ(TX、RX)空間の予測を含む4次元(4D)CSIに重点を置いている。
本研究では,4次元CSIデータ内の依存関係をキャプチャするコンテキスト条件付き時間予測学習手法を提案する。
論文 参考訳(メタデータ) (2024-09-16T04:15:36Z) - Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。
本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。
提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
論文 参考訳(メタデータ) (2024-08-22T22:50:46Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。
本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。
S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
論文 参考訳(メタデータ) (2023-02-15T06:36:04Z) - Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。
FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。
私たちのコードは公開されます。
論文 参考訳(メタデータ) (2022-02-23T18:23:07Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - 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) - TSAM: Temporal Link Prediction in Directed Networks based on
Self-Attention Mechanism [2.5144068869465994]
本稿では,グラフニューラルネットワーク(GCN)と自己認識機構,すなわちTSAMに基づくディープラーニングモデルを提案する。
我々は,TSAMの有効性を検証するために,4つの現実的ネットワーク上で比較実験を行った。
論文 参考訳(メタデータ) (2020-08-23T11:56:40Z) - On a Bernoulli Autoregression Framework for Link Discovery and
Prediction [1.9290392443571387]
本稿では,自己回帰過程のベルヌーイ一般化に基づく二項列の動的予測フレームワークを提案する。
本稿では,さらに多くの補助的ネットワークを介し,付加的な情報を利用する新たな問題を提案する。
既存の作業とは対照的に、勾配に基づく推定アプローチは非常に効率的で、数百万のノードを持つネットワークにスケールすることができる。
論文 参考訳(メタデータ) (2020-07-23T05:58:22Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳(メタデータ) (2020-06-20T03:29:02Z) - Link Prediction for Temporally Consistent Networks [6.981204218036187]
リンク予測は、動的ネットワークにおける次の関係を推定する。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-06-06T07:28:03Z)
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。