Fugu-MT 論文翻訳(概要): A Survey on Temporal Graph Representation Learning and Generative Modeling

論文の概要: A Survey on Temporal Graph Representation Learning and Generative Modeling

arxiv url: http://arxiv.org/abs/2208.12126v1
Date: Thu, 25 Aug 2022 14:42:08 GMT
ステータス: 処理完了
システム内更新日: 2022-08-26 13:41:08.765513
Title: A Survey on Temporal Graph Representation Learning and Generative Modeling
Title（参考訳）: 時間グラフ表現学習と生成モデルに関する研究
Authors: Shubham Gupta and Srikanta Bedathur
Abstract要約: 時間グラフは、実体間の動的関係を表し、ソーシャルネットワーク、eコマース、コミュニケーション、道路ネットワーク、生物学的システムなど、多くの実生活アプリケーションで発生する。本稿では,近年提案されている時間依存グラフ表現学習と生成モデルによる時間グラフ処理手法について概観的に検討する。
参考スコア（独自算出の注目度）: 21.155481993224956
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Temporal graphs represent the dynamic relationships among entities and occur in many real life application like social networks, e commerce, communication, road networks, biological systems, and many more. They necessitate research beyond the work related to static graphs in terms of their generative modeling and representation learning. In this survey, we comprehensively review the neural time dependent graph representation learning and generative modeling approaches proposed in recent times for handling temporal graphs. Finally, we identify the weaknesses of existing approaches and discuss the research proposal of our recently published paper TIGGER[24].
Abstract（参考訳）: 時間グラフは、実体間の動的関係を表し、ソーシャルネットワーク、eコマース、コミュニケーション、道路ネットワーク、生物学的システムなど、多くの実生活アプリケーションで発生する。彼らは生成的モデリングと表現学習の観点から、静的グラフに関連する研究以上の研究を必要としている。本稿では,近年提案されている時間依存グラフ表現学習と生成モデルによる時間グラフ処理手法について概観的に検討する。最後に、既存のアプローチの弱点を特定し、最近発表された論文TIGGER[24]の研究提案について議論する。

関連論文リスト

A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文参考訳（メタデータ） (2024-10-25T02:39:56Z)
Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
論文参考訳（メタデータ） (2024-10-16T00:01:31Z)
Information propagation dynamics in Deep Graph Networks [1.8130068086063336]
Deep Graph Networks(DGN)は、構造化情報の処理と学習が可能なディープラーニングモデルのファミリとして登場した。この論文は、静的グラフと動的グラフのためのDGNの内部の情報伝達のダイナミクスを考察し、動的システムとしての設計に焦点をあてる。
論文参考訳（メタデータ） (2024-10-14T12:55:51Z)
Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文参考訳（メタデータ） (2024-02-26T07:52:40Z)
Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文参考訳（メタデータ） (2023-10-18T09:31:21Z)
Deep learning for dynamic graphs: models and benchmarks [16.851689741256912]
近年,Deep Graph Networks (DGNs) の研究が進展し,グラフ上の学習領域が成熟した。この研究分野の成長にもかかわらず、まだ解決されていない重要な課題がまだ残っている。
論文参考訳（メタデータ） (2023-07-12T12:02:36Z)
Graph-Level Embedding for Time-Evolving Graphs [24.194795771873046]
グラフ表現学習(ネットワーク埋め込みとも呼ばれる)は、様々なレベルの粒度で広く研究されている。本稿では,このギャップに対処する時間グラフレベルの埋め込み手法を提案する。
論文参考訳（メタデータ） (2023-06-01T01:50:37Z)
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)
Graph Neural Networks for temporal graphs: State of the art, open challenges, and opportunities [15.51428011794213]
グラフニューラルネットワーク(GNN)は、(静的)グラフ構造化データを学ぶための主要なパラダイムとなっている。近年, 時間グラフのためのGNNベースのモデルが, GNNの能力を拡張すべく, 有望な研究領域として浮上している。本稿では、時間的GNNの現状を概観し、学習設定とタスクの厳密な形式化を導入する。調査は、研究と応用の両方の観点から、この分野における最も関連性の高いオープン課題に関する議論で締めくくります。
論文参考訳（メタデータ） (2023-02-02T11:12:51Z)
Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文参考訳（メタデータ） (2021-03-29T14:37:35Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。