論文の概要: Neighborhood-aware Scalable Temporal Network Representation Learning
- arxiv url: http://arxiv.org/abs/2209.01084v1
- Date: Fri, 2 Sep 2022 14:31:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:44:18.736913
- Title: Neighborhood-aware Scalable Temporal Network Representation Learning
- Title（参考訳）: 隣り合わせのスケーラブルな時間ネットワーク表現学習
- Authors: Yuhong Luo and Pan Li
- Abstract要約: 本研究は,Norborhood-Aware Temporal Network Model (NAT)を提案する。
ネットワークの各ノードに対して、NATは一般的に使用されるワンシングルベクターベースの表現を捨てる。
NATは7つの現実世界の大規模時間ネットワークで評価される。
- 参考スコア（独自算出の注目度）: 7.429834064781906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal networks have been widely used to model real-world complex systems
such as financial systems and e-commerce systems. In a temporal network, the
joint neighborhood of a set of nodes often provides crucial structural
information on predicting whether they may interact at a certain time. However,
recent representation learning methods for temporal networks often fail to
extract such information or depend on extremely time-consuming feature
construction approaches. To address the issue, this work proposes
Neighborhood-Aware Temporal network model (NAT). For each node in the network,
NAT abandons the commonly-used one-single-vector-based representation while
adopting a novel dictionary-type neighborhood representation. Such a dictionary
representation records a down-sampled set of the neighboring nodes as keys, and
allows fast construction of structural features for a joint neighborhood of
multiple nodes. We also design dedicated data structure termed N-cache to
support parallel access and update of those dictionary representations on GPUs.
NAT gets evaluated over seven real-world large-scale temporal networks. NAT not
only outperforms all cutting-edge baselines by averaged 5.9% and 6.0% in
transductive and inductive link prediction accuracy, respectively, but also
keeps scalable by achieving a speed-up of 4.1-76.7 against the baselines that
adopts joint structural features and achieves a speed-up of 1.6-4.0 against the
baselines that cannot adopt those features. The link to the code:
https://github.com/Graph-COM/Neighborhood-Aware-Temporal-Network.
- Abstract（参考訳）: 時間的ネットワークは金融システムやeコマースシステムのような現実世界の複雑なシステムをモデル化するために広く使われている。
時間的ネットワークでは、ノードの集合の結合近傍はしばしば、ある時間に相互作用するかどうかを予測する重要な構造情報を提供する。
しかし、近年の時間的ネットワーク表現学習手法では、そのような情報を抽出できない場合や、非常に時間を要する特徴構築手法に依存する場合が多い。
この問題に対処するため,本研究では,Norborhood-Aware Temporal Network Model (NAT)を提案する。
ネットワーク内の各ノードに対して、NATは、新しい辞書型近傍表現を採用しながら、一般的に使用されるワンシングルベクターベースの表現を捨てる。
このような辞書表現は、隣接ノードのダウンサンプリングされた集合をキーとして記録し、複数のノードのジョイント近傍の構造的特徴を高速に構築することができる。
また、GPU上でのこれらの辞書表現の並列アクセスと更新をサポートするために、N-cacheと呼ばれる専用データ構造を設計する。
NATは7つの現実世界の大規模時間ネットワークで評価される。
NATは、平均5.9%と6.0%という最先端のベースラインをそれぞれトランスダクティブリンク予測精度で上回るだけでなく、関節構造の特徴を取り入れたベースラインに対して4.1-76.7のスピードアップを達成し、これらの特徴を採用できないベースラインに対して1.6-4.0のスピードアップを達成してスケーラビリティを維持している。
コードへのリンク:https://github.com/Graph-COM/Neighborhood-Aware-Temporal-Network。
関連論文リスト
- Efficient Neural Common Neighbor for Temporal Graph Link Prediction [32.41660611941389]
本稿では、時間グラフにおけるリンク予測のためのNCN(Neural Common Neighbor)の時間バージョンであるTNCNを提案する。
TNCNは、各ノードの時間的隣接辞書を動的に更新し、ソースとターゲットノード間のマルチホップ共通辞書を使用して、より効果的なペアワイズ表現を学習する。
5つの大規模実世界のデータセットでモデルを検証し、それらのうち3つで新たな最先端のパフォーマンスを実現することを発見した。
論文 参考訳（メタデータ） (2024-06-12T06:45:03Z) - TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - Temporal network compression via network hashing [3.708135408284268]
本稿では,時間的ネットワーク表現の問題に対処する効率的な行列アルゴリズムを提案する。
第二に、大規模な時間的ネットワークを小さなプロキシに集約し、外部成分を推定しやすくするハッシュフレームワークを提案する。
我々のグラフハッシュソリューションは、時間ネットワークの表現を尊重するプライバシーに影響を及ぼす。
論文 参考訳（メタデータ） (2023-07-10T20:25:41Z) - 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) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Recovering the Graph Underlying Networked Dynamical Systems under
Partial Observability: A Deep Learning Approach [7.209528581296429]
時系列間の依存グラフを復元するグラフ構造同定の問題について検討する。
観測時系列から計算した特徴ベクトルを考案し,これらの特徴が線形分離可能であることを示す。
私たちはこれらの機能を使って畳み込みニューラルネットワーク(CNN)を訓練します。
論文 参考訳（メタデータ） (2022-08-08T20:32:28Z) - The Influence of Network Structural Preference on Node Classification
and Link Prediction [0.0]
本研究は,新しい機能抽象化手法,すなわちTransition Probabilities Matrix (TPM)を導入する。
提案手法は,3つの実世界のネットワーク上でノード識別・分類・リンク予測を行った。
論文 参考訳（メタデータ） (2022-08-07T12:56:28Z) - 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) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳（メタデータ） (2021-02-15T00:57:28Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z)
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。