論文の概要: DyTed: Disentangling Temporal Invariance and Fluctuations in Dynamic
Graph Representation Learning
- arxiv url: http://arxiv.org/abs/2210.10592v1
- Date: Wed, 19 Oct 2022 14:34:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 13:44:15.932181
- Title: DyTed: Disentangling Temporal Invariance and Fluctuations in Dynamic
Graph Representation Learning
- Title(参考訳): dyted:動的グラフ表現学習における時間的不変性とゆらぎの解消
- Authors: Kaike Zhang, Qi Cao, Gaolin Fang, Bingbing Xu, Hongjian Zou, Huawei
Shen, Xueqi Cheng
- Abstract要約: 動的グラフ,すなわちDyTedに対する時間的不変変動不整合表現学習フレームワークを提案する。
特に,時間不変表現生成器と動的変動表現生成器を提案する。
そこで本研究では, 対戦型学習枠組みの下で, 絡み合いや離間性をさらに高めるために, 絡み合いを意識した識別器を提案する。
- 参考スコア(独自算出の注目度): 40.953486161160704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised representation learning for dynamic graphs has attracted a lot
of research attention in recent years. Compared with static graphs, dynamic
graphs are the integrative reflection of both the temporal-invariant or stable
characteristics of nodes and the dynamic-fluctuate preference changing with
time. However, existing dynamic graph representation learning methods generally
confound these two types of information into a shared representation space,
which may lead to poor explanation, less robustness, and a limited ability when
applied to different downstream tasks. Taking the real dynamic graphs of daily
capital transactions on Tencent as an example, the learned representation of
the state-of-the-art method achieves only 32% accuracy in predicting
temporal-invariant characteristics of users like annual income. In this paper,
we introduce a novel temporal invariance-fluctuation disentangled
representation learning framework for dynamic graphs, namely DyTed. In
particular, we propose a temporal-invariant representation generator and a
dynamic-fluctuate representation generator with carefully designed pretext
tasks to identify the two types of representations in dynamic graphs. To
further enhance the disentanglement or separation, we propose a
disentanglement-aware discriminator under an adversarial learning framework.
Extensive experiments on Tencent and five commonly used public datasets
demonstrate that the different parts of our disentangled representation can
achieve state-of-the-art performance on various downstream tasks, as well as be
more robust against noise, and is a general framework that can further improve
existing methods.
- Abstract(参考訳): 動的グラフに対する教師なし表現学習は近年多くの研究の注目を集めている。
静的グラフと比較すると、動的グラフは時間とともに変化する時間的不変性や安定性の両方を積分的に反映する。
しかし、既存の動的グラフ表現学習法は、一般的にこれらの2種類の情報を共有表現空間に分解し、低説明、ロバスト性、異なる下流タスクに適用する場合の限られた能力をもたらす可能性がある。
テンセント上の日々の資本取引の実際の動的グラフを例にとると、最先端の方法の学習した表現は、年収のようなユーザの時間的不変特性を予測するのに32%の精度しか得られない。
本稿では,動的グラフのための時間的不分散変動不等角表現学習フレームワーク,dytedを提案する。
特に,動的グラフにおける2種類の表現を識別するために,事前文タスクを注意深く設計した時間不変表現生成器と動的変動表現生成器を提案する。
そこで本研究では, 逆学習の枠組みにおいて, 乱れや分離をさらに高めるために, 乱れを検知する判別器を提案する。
Tencentと5つの一般的な公開データセットに関する大規模な実験は、不整合表現の異なる部分が、さまざまなダウンストリームタスクにおける最先端のパフォーマンスを実現し、ノイズに対してより堅牢であることを示し、既存のメソッドをさらに改善する一般的なフレームワークであることを示している。
関連論文リスト
- TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳(メタデータ) (2024-01-06T06:26:49Z) - Temporal Graph Representation Learning with Adaptive Augmentation
Contrastive [12.18909612212823]
時間グラフ表現学習は、時間情報を取得するために低次元の動的ノード埋め込みを生成することを目的としている。
本稿では,適応拡張コントラスト(TGAC)モデルを用いたテンポラルグラフ表現学習を提案する。
実ネットワークにおける実験により,提案手法が他の時間グラフ表現学習法より優れていることを示す。
論文 参考訳(メタデータ) (2023-11-07T11:21:16Z) - From random-walks to graph-sprints: a low-latency node embedding
framework on continuous-time dynamic graphs [4.372841335228306]
本稿では,レイテンシが低く,最先端の高レイテンシモデルと競合する連続時間動的グラフ(CTDG)のフレームワークを提案する。
本フレームワークでは,マルチホップ情報を要約したタイムアウェアノード埋め込みを,入ってくるエッジ上のシングルホップ操作のみを用いて計算する。
グラフプリント機能と機械学習を組み合わせることで,競争性能が向上することを示す。
論文 参考訳(メタデータ) (2023-07-17T12:25:52Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳(メタデータ) (2023-06-09T15:38:25Z) - 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) - Deep Dynamic Effective Connectivity Estimation from Multivariate Time
Series [0.0]
我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。
DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
論文 参考訳(メタデータ) (2022-02-04T21:14:21Z) - Self-Supervised Dynamic Graph Representation Learning via Temporal
Subgraph Contrast [0.8379286663107846]
本稿では,自己教師型動的グラフ表現学習フレームワーク(DySubC)を提案する。
DySubCは、動的グラフの構造的特徴と進化的特徴を同時に学習するために、時間的部分グラフのコントラスト学習タスクを定義している。
実世界の5つのデータセットの実験では、DySubCは関連するベースラインよりも優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2021-12-16T09:35:34Z) - Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。
複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
論文 参考訳(メタデータ) (2021-07-20T22:09:21Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z)
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。