論文の概要: Significant Ties Graph Neural Networks for Continuous-Time Temporal Networks Modeling

• arxiv url: http://arxiv.org/abs/2211.06590v1
• Date: Sat, 12 Nov 2022 06:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 19:52:01.284581
• Title: Significant Ties Graph Neural Networks for Continuous-Time Temporal Networks Modeling
• Title（参考訳）: 連続時間ネットワークモデリングのための有意な結合グラフニューラルネットワーク
• Authors: Jiayun Wu, Tao Jia, Yansong Wang, Li Tao
• Abstract要約: 時間ネットワークは複雑な進化系をモデル化するのに適している。 本稿では,有意な関係を捕捉し記述する新しいフレームワークである,有意なTies Graph Neural Networks (STGNN)を提案する。
• 参考スコア（独自算出の注目度）: 8.870188183999852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal networks are suitable for modeling complex evolving systems. It has a wide range of applications, such as social network analysis, recommender systems, and epidemiology. Recently, modeling such dynamic systems has drawn great attention in many domains. However, most existing approaches resort to taking discrete snapshots of the temporal networks and modeling all events with equal importance. This paper proposes Significant Ties Graph Neural Networks (STGNN), a novel framework that captures and describes significant ties. To better model the diversity of interactions, STGNN introduces a novel aggregation mechanism to organize the most significant historical neighbors' information and adaptively obtain the significance of node pairs. Experimental results on four real networks demonstrate the effectiveness of the proposed framework.
• Abstract（参考訳）: 時間的ネットワークは複雑な進化システムのモデリングに適している。 ソーシャルネットワーク分析、レコメンデーションシステム、疫学など、幅広い応用がある。 近年、このような動的システムのモデリングは多くの領域で大きな注目を集めている。 しかし、既存のほとんどのアプローチは、時間的ネットワークの離散スナップショットを取って、同じ重要性で全てのイベントをモデル化する。 本稿では,有意な関係を捕捉し記述する新しいフレームワークである,有意なTies Graph Neural Networks (STGNN)を提案する。 相互作用の多様性をより良くモデル化するために、STGNNは、最も重要な歴史的隣人の情報を整理し、ノードペアの重要性を適応的に取得する新しい集約メカニズムを導入した。 4つの実ネットワークの実験結果から,提案手法の有効性が示された。

関連論文リスト

• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks [1.213512753726579]
  ネットワーク構造が時間とともに変化するため、クリティカルノードを特定することは困難である。 本稿では,特殊なGCNとRNNを組み合わせた,新しい効果的な学習フレームワークを提案する。 4つの実世界の時間ネットワークに対する実験結果から,提案手法は従来のベンチマーク法とディープラーニングベンチマーク法の両方より優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-19T04:16:18Z)
• 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)
• Mutually exciting point process graphs for modelling dynamic networks [0.0]
  相互励起点過程グラフ(MEG)と呼ばれる動的ネットワークのための新しいモデルのクラスが提案される。 MEGは、Dyadicマーク付きポイントプロセスのためのスケーラブルなネットワークワイド統計モデルであり、異常検出に使用できる。 このモデルはシミュレーショングラフと実世界のコンピュータネットワークデータセット上でテストされ、優れた性能を示す。
  論文  参考訳（メタデータ） (2021-02-11T10:14:55Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Continuous-in-Depth Neural Networks [107.47887213490134]
  まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。 次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。 ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
  論文  参考訳（メタデータ） (2020-08-05T22:54:09Z)
• Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey [11.18312489268624]
  我々は、一貫した詳細な用語と表記を伴う動的ネットワークの基礎を確立する。 提案する用語を用いて,動的グラフニューラルネットワークモデルに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2020-05-13T23:56:38Z)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)
• NEW: A Generic Learning Model for Tie Strength Prediction in Networks [5.834475036139535]
  タイの強度予測(タイの強さ予測、英: Tie strength prediction)は、ネットワークに出現する接続パターンの多様性を探索する上で不可欠である。 我々はNEW(Neighborhood Estimating Weight)と呼ばれる新しい計算フレームワークを提案する。 NEWはネットワークの基本構造情報によって純粋に駆動され、多様な種類のネットワークに適応する柔軟性を持つ。
  論文  参考訳（メタデータ） (2020-01-15T13:02:00Z)

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。