論文の概要: DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph

• arxiv url: http://arxiv.org/abs/2210.10592v2
• Date: Wed, 16 Aug 2023 01:01:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-17 17:52:41.891878
• Title: DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph
• Title（参考訳）: DyTed:離散時間動的グラフのためのアンタングル表現学習
• Authors: Kaike Zhang, Qi Cao, Gaolin Fang, Bingbing Xu, Hongjian Zou, Huawei Shen, Xueqi Cheng
• Abstract要約: 離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。 本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
• 参考スコア（独自算出の注目度）: 59.583555454424
• 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 graph, the dynamic graph is a comprehensive embodiment of both the intrinsic stable characteristics of nodes and the time-related dynamic preference. However, existing methods generally mix these two types of information into a single representation space, which may lead to poor explanation, less robustness, and a limited ability when applied to different downstream tasks. To solve the above problems, in this paper, we propose a novel disenTangled representation learning framework for discrete-time Dynamic graphs, namely DyTed. We specially design a temporal-clips contrastive learning task together with a structure contrastive learning to effectively identify the time-invariant and time-varying representations respectively. To further enhance the disentanglement of these two types of representation, we propose a disentanglement-aware discriminator under an adversarial learning framework from the perspective of information theory. Extensive experiments on Tencent and five commonly used public datasets demonstrate that DyTed, as a general framework that can be applied to existing methods, achieves state-of-the-art performance on various downstream tasks, as well as be more robust against noise.
• 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、動的グラフはノードの固有の安定特性と時間関連の動的嗜好の両方を包括的に具現化したものである。 しかし、既存の手法では、これらの2種類の情報を単一の表現空間に混ぜることが多いため、説明が貧弱になり、堅牢性が低下し、下流の異なるタスクに適用できる能力が制限される可能性がある。 そこで,本稿では,離散時間動的グラフ,すなわち dyted に対する新しい不等角表現学習フレームワークを提案する。 本稿では,時間変化表現と時間変化表現をそれぞれ効果的に識別するために,構造コントラスト学習とともに時間勾配コントラスト学習タスクを特別に設計する。 情報理論の観点から,これら2つの表現の絡み合いをさらに高めるために,逆学習枠組みに基づく絡み合い認識判別器を提案する。 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、DyTedが既存のメソッドに適用可能な一般的なフレームワークであり、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。