論文の概要: Learnable Spectral Wavelets on Dynamic Graphs to Capture Global Interactions

• arxiv url: http://arxiv.org/abs/2211.11979v1
• Date: Tue, 22 Nov 2022 03:30:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 16:49:42.008617
• Title: Learnable Spectral Wavelets on Dynamic Graphs to Capture Global Interactions
• Title（参考訳）: 大域的相互作用を捉えるための動的グラフ上の学習可能なスペクトルウェーブレット
• Authors: Anson Bastos, Abhishek Nadgeri, Kuldeep Singh, Toyotaro Suzumura, Manish Singh
• Abstract要約: 動的に進化するグラフの表現を効果的に学習するために、グローバルな機能を組み込むための現在のアプローチを超えています。 グラフスペクトルを学習する静的な手法は、時間とともにグラフが進化するにつれて、スペクトルの進化の歴史を考慮しないので、この進化するスペクトルを捉えるために、グラフウェーブレットを学習するための新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 4.268258605298991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning on evolving(dynamic) graphs has caught the attention of researchers as static methods exhibit limited performance in this setting. The existing methods for dynamic graphs learn spatial features by local neighborhood aggregation, which essentially only captures the low pass signals and local interactions. In this work, we go beyond current approaches to incorporate global features for effectively learning representations of a dynamically evolving graph. We propose to do so by capturing the spectrum of the dynamic graph. Since static methods to learn the graph spectrum would not consider the history of the evolution of the spectrum as the graph evolves with time, we propose a novel approach to learn the graph wavelets to capture this evolving spectra. Further, we propose a framework that integrates the dynamically captured spectra in the form of these learnable wavelets into spatial features for incorporating local and global interactions. Experiments on eight standard datasets show that our method significantly outperforms related methods on various tasks for dynamic graphs.
• Abstract（参考訳）: この環境では静的手法が限られた性能を示すため、進化(動的)グラフの学習が研究者の注目を集めている。 動的グラフの既存の手法は局所的な近傍集約によって空間的特徴を学習し、これは基本的に低域信号と局所的な相互作用のみをキャプチャする。 本研究では,動的に進化するグラフの表現を効果的に学習するために,グローバル機能を組み込む現在のアプローチを超越した。 動的グラフのスペクトルを捉えることでこれを実現することを提案する。 グラフスペクトルを学習するための静的手法は、グラフが時間とともに進化するにつれてスペクトルの進化の歴史を考慮しないので、この進化スペクトルを捉えるためにグラフウェーブレットを学習するための新しいアプローチを提案する。 さらに、これらの学習可能なウェーブレットの形で動的に捕捉されたスペクトルを局所的および大域的相互作用を組み込むための空間的特徴に統合するフレームワークを提案する。 8つの標準データセットを実験した結果,本手法は動的グラフの様々なタスクで関連する手法を著しく上回っている。

関連論文リスト

• Dynamic and Textual Graph Generation Via Large-Scale LLM-based Agent Simulation [70.60461609393779]
  GraphAgent-Generator (GAG) は動的グラフ生成のための新しいシミュレーションベースのフレームワークである。 本フレームワークは,確立されたネットワーク科学理論において,7つのマクロレベルの構造特性を効果的に再現する。 最大10万近いノードと1000万のエッジを持つグラフの生成をサポートし、最低速度は90.4%である。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• FTM: A Frame-level Timeline Modeling Method for Temporal Graph Representation Learning [47.52733127616005]
  本稿では,短期的特徴と長期的特徴の両方を捉えるのに役立つフレームレベルタイムラインモデリング(FTM)手法を提案する。 我々の手法は、ほとんどの時間的GNNで簡単に組み立てることができる。
  論文  参考訳（メタデータ） (2023-02-23T06:53:16Z)
• Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations [21.936437653875245]
  本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。 本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。 本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
  論文  参考訳（メタデータ） (2023-02-22T12:59:38Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• Online Graph Learning in Dynamic Environments [5.222057229549077]
  本稿では,動的環境におけるシーケンシャルデータの場合の学習グラフに焦点を当てる。 逐次データに対して,従来のバッチグラフ学習手法のオンライン版を開発する。
  論文  参考訳（メタデータ） (2021-10-11T06:24:30Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Anomaly Detection in Dynamic Graphs via Transformer [30.926884264054042]
  DYnamic graph(TADDY)のためのトランスフォーマーを用いた新しい異常検出フレームワークを提案する。 本フレームワークは,進化するグラフストリームにおいて,各ノードの構造的役割と時間的役割をよりよく表現するための包括的ノード符号化戦略を構築する。 提案するTADDYフレームワークは,4つの実世界のデータセットに対して,最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2021-06-18T02:27:19Z)
• Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
  我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
  論文  参考訳（メタデータ） (2021-02-21T18:19:49Z)
• A Survey on Embedding Dynamic Graphs [0.0]
  我々は動的グラフ埋め込みを概観し,その基礎と最近の進歩について論じる。 問題設定に焦点をあて,動的グラフ埋め込みの形式的定義を導入する。 我々は、埋め込み、トポロジ的進化による分類、特徴進化、ネットワーク上のプロセスによって包含される様々な動的挙動を探索する。
  論文  参考訳（メタデータ） (2021-01-04T20:35:26Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。