論文の概要: Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs

• arxiv url: http://arxiv.org/abs/2210.00032v1
• Date: Fri, 30 Sep 2022 18:24:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 17:11:26.620198
• Title: Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs
• Title（参考訳）: 時間分解線グラフによる時間ネットワークエッジの直接埋め込み
• Authors: Sudhanshu Chanpuriya, Ryan A. Rossi, Sungchul Kim, Tong Yu, Jane Hoffswell, Nedim Lipka, Shunan Guo, and Cameron Musco
• Abstract要約: 時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。 ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。 実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
• 参考スコア（独自算出の注目度）: 51.51417735550026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal networks model a variety of important phenomena involving timed interactions between entities. Existing methods for machine learning on temporal networks generally exhibit at least one of two limitations. First, time is assumed to be discretized, so if the time data is continuous, the user must determine the discretization and discard precise time information. Second, edge representations can only be calculated indirectly from the nodes, which may be suboptimal for tasks like edge classification. We present a simple method that avoids both shortcomings: construct the line graph of the network, which includes a node for each interaction, and weigh the edges of this graph based on the difference in time between interactions. From this derived graph, edge representations for the original network can be computed with efficient classical methods. The simplicity of this approach facilitates explicit theoretical analysis: we can constructively show the effectiveness of our method's representations for a natural synthetic model of temporal networks. Empirical results on real-world networks demonstrate our method's efficacy and efficiency on both edge classification and temporal link prediction.
• Abstract（参考訳）: 時間ネットワークは、実体間の時間的相互作用を含む様々な重要な現象をモデル化する。 時間ネットワーク上の機械学習の既存の方法は、一般的に2つの制限のうちの少なくとも1つを示す。 まず、時刻が離散化されていると仮定し、時間データが連続している場合は、ユーザがその離散化を決定し、正確な時刻情報を破棄しなければならない。 第二に、エッジ表現はノードから間接的にしか計算できないが、エッジ分類のようなタスクには最適ではない。 ネットワークの線グラフを構成することで、各インタラクションのノードを含むネットワークの線グラフを構築し、インタラクション間の時間差に基づいて、このグラフのエッジを重み付ける。 この導出グラフから、元のネットワークのエッジ表現を効率的な古典的手法で計算することができる。 このアプローチの単純さは、明示的な理論的分析を促進する:我々は、時間的ネットワークの自然な合成モデルに対する、この手法の表現の有効性を構築的に示すことができる。 実世界のネットワークにおける実験結果は,エッジ分類と時間的リンク予測の両方において,提案手法の有効性と効率を示す。

関連論文リスト

• Using Time-Aware Graph Neural Networks to Predict Temporal Centralities in Dynamic Graphs [0.8057006406834466]
  De Bruijn Graph Neural Networks (DBGNN) の時系列データにおける時間的経路に基づく集中度予測への応用について検討する。 生物学的および社会システムからの13の時間グラフを用いて,我々のアプローチを実験的に評価した。
  論文  参考訳（メタデータ） (2023-10-24T14:23:10Z)
• 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)
• Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
  時相グラフニューラルネットワークは時系列予測に有効であることが示されている。 本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。 このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-08T14:18:56Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• 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)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• TempNodeEmb:Temporal Node Embedding considering temporal edge influence matrix [0.8941624592392746]
  時間的ネットワークにおけるノード間の将来のリンクを予測することは、時間的ネットワークの進化の重要な側面を明らかにする。 いくつかのアプローチは、時間ネットワークの単純化された表現を、高次元で一般にスパース行列で考える。 本稿では, 単純な3層グラフニューラルネットワークを各ステップで考慮し, ネットワークの進化特性を利用した新しいノード埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2020-08-16T15:39:07Z)
• Time-varying Graph Representation Learning via Higher-Order Skip-Gram with Negative Sampling [0.456877715768796]
  我々は,スキップグラム埋め込み手法が行列分解を暗黙的に行うという事実に基づいて構築する。 負のサンプリングを持つ高次スキップグラムは、ノードと時間の役割を乱すことができることを示す。 提案手法を時間分解型対面近接データを用いて実証的に評価し,学習した時間変化グラフ表現が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-25T12:04:48Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。