論文の概要: A Self-supervised Riemannian GNN with Time Varying Curvature for Temporal Graph Learning

• arxiv url: http://arxiv.org/abs/2208.14073v1
• Date: Tue, 30 Aug 2022 08:43:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:20:46.826870
• Title: A Self-supervised Riemannian GNN with Time Varying Curvature for Temporal Graph Learning
• Title（参考訳）: 時系列グラフ学習のための時間変数曲線付き自己教師付きリーマンGNN
• Authors: Li Sun, Junda Ye, Hao Peng, Philip S. Yu
• Abstract要約: 自己教師型リーマングラフニューラルネットワーク(SelfRGNN)を提案する。 具体的には、理論的に基底化された時間符号化を持つ曲率変化GNNを設計し、時間とともに関数的曲率を定式化し、正、零、負の曲率空間間の進化シフトをモデル化する。 大規模な実験は、自己RGNNの優越性を示し、また、ケーススタディでは、リアルタイムグラフの時変曲率を示している。
• 参考スコア（独自算出の注目度）: 79.20249985327007
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Representation learning on temporal graphs has drawn considerable research attention owing to its fundamental importance in a wide spectrum of real-world applications. Though a number of studies succeed in obtaining time-dependent representations, it still faces significant challenges. On the one hand, most of the existing methods restrict the embedding space with a certain curvature. However, the underlying geometry in fact shifts among the positive curvature hyperspherical, zero curvature Euclidean and negative curvature hyperbolic spaces in the evolvement over time. On the other hand, these methods usually require abundant labels to learn temporal representations, and thereby notably limit their wide use in the unlabeled graphs of the real applications. To bridge this gap, we make the first attempt to study the problem of self-supervised temporal graph representation learning in the general Riemannian space, supporting the time-varying curvature to shift among hyperspherical, Euclidean and hyperbolic spaces. In this paper, we present a novel self-supervised Riemannian graph neural network (SelfRGNN). Specifically, we design a curvature-varying Riemannian GNN with a theoretically grounded time encoding, and formulate a functional curvature over time to model the evolvement shifting among the positive, zero and negative curvature spaces. To enable the self-supervised learning, we propose a novel reweighting self-contrastive approach, exploring the Riemannian space itself without augmentation, and propose an edge-based self-supervised curvature learning with the Ricci curvature. Extensive experiments show the superiority of SelfRGNN, and moreover, the case study shows the time-varying curvature of temporal graph in reality.
• Abstract（参考訳）: 時間グラフ上の表現学習は、現実世界の幅広い応用においてその基本的な重要性から、かなりの研究の注目を集めている。 多くの研究が時間依存表現の獲得に成功したが、それでも大きな課題に直面している。 一方、既存の手法のほとんどは、ある曲率で埋め込み空間を制限している。 しかし、その基礎となる幾何学は、時間の経過とともに、正の曲率超球面、零曲率ユークリッド空間、負曲率双曲空間の間でシフトする。 一方、これらの手法は通常、時間表現を学ぶために豊富なラベルを必要とし、その結果、実アプリケーションのラベルのないグラフでの使用を著しく制限する。 このギャップを埋めるために、一般リーマン空間における自己教師付き時空グラフ表現学習の問題を初めて研究し、超球面、ユークリッド空間、双曲空間間の移動に対する時間変化曲率を支持した。 本稿では,新しい自己教師付きリーマングラフニューラルネットワーク(selfrgnn)を提案する。 具体的には、理論的に基底化された時間符号化を持つ曲率可変リーマンGNNを設計し、時間とともに関数的曲率を定式化し、正、零、負の曲率空間間の進化シフトをモデル化する。 自己教師付き学習を可能にするために,新しい重み付け自己矛盾的アプローチを提案し,拡張せずにリーマン空間自体を探索し,リッチ曲率を用いたエッジベースの自己教師付き曲率学習を提案する。 広範な実験により, selfrgnn の優越性が示され, さらに, 時空グラフの時間変化曲率を実例で示す。

関連論文リスト

• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• DeepRicci: Self-supervised Graph Structure-Feature Co-Refinement for Alleviating Over-squashing [72.70197960100677]
  グラフ構造学習(GSL)はグラフニューラルネットワーク(GNN)を改良したグラフで強化する上で重要な役割を果たしている。 GSLソリューションは、通常、タスク固有の監督(ノード分類)による構造改善に焦点を当てるか、GNN自体の固有の弱点を見落としている。 本稿では,典型的なGNNにおけるオーバー・スカッシングの問題を効果的に緩和する,自己教師付きグラフ構造-機能共分法について検討する。
  論文  参考訳（メタデータ） (2024-01-23T14:06:08Z)
• Contrastive Graph Clustering in Curvature Spaces [74.03252813800334]
  本研究では,CONGREGATE という新しいグラフクラスタリングモデルを提案する。 幾何学的クラスタリングを支援するため、理論的に基底とした不均一曲率空間を構築した。 次に、拡張不要な再重み付きコントラスト的アプローチでグラフクラスタをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-05T14:04:52Z)
• Self-Supervised Continual Graph Learning in Adaptive Riemannian Spaces [74.03252813800334]
  連続的なグラフ学習は、様々なタスクを持つグラフデータが順次やってくる様々な現実世界のアプリケーションにおいて、その役割を日常的に発見する。 既存の手法はゼロ曲率ユークリッド空間で作用し、次のグラフ列で曲率が変化するという事実をほとんど無視する。 上記の課題に対処するため,本稿では,自己教師付き連続グラフ学習という,挑戦的かつ実践的な課題について検討する。
  論文  参考訳（メタデータ） (2022-11-30T15:25:27Z)
• STONet: A Neural-Operator-Driven Spatio-temporal Network [38.5696882090282]
  グラフベースのグラフ時間ニューラルネットワークは、不規則にサンプリングされた離散点間の空間依存性をモデル化するのに有効である。 本稿では,空間連続的な物理量の力学を規定するメカニズムを学習する,PDEのためのニューラル演算子に基づく時間的枠組みを提案する。 実験では,空間的連続的な物理量の予測におけるモデルの性能と,時間的不規則なデータの処理能力に優れていた。
  論文  参考訳（メタデータ） (2022-04-18T17:20:12Z)
• A Self-supervised Mixed-curvature Graph Neural Network [76.3790248465522]
  自己教師型混合曲率グラフニューラルネットワーク(SelfMGNN)を提案する。 我々は、SelfMGNNが現実の複雑なグラフ構造をキャプチャし、最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2021-12-10T08:56:55Z)

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。