論文の概要: Interaction Order Prediction for Temporal Graphs
- arxiv url: http://arxiv.org/abs/2302.02128v1
- Date: Sat, 4 Feb 2023 08:19:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 20:06:12.089508
- Title: Interaction Order Prediction for Temporal Graphs
- Title（参考訳）: 時間グラフの相互作用順序予測
- Authors: Nayana Bannur and Mashrin Srivastava and Harsha Vardhan
- Abstract要約: グラフにおけるリンク予測は、広く研究されているタスクである。
本研究では,ノード間相互作用の順序を予測することを目的とする。
知識グラフ補完、コンテンツ/イテムレコメンデーション、ソーシャルネットワークレコメンデーションなど、さまざまな分野に適用されている。
- 参考スコア（独自算出の注目度）: 1.0635248457021496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Link prediction in graphs is a task that has been widely investigated. It has
been applied in various domains such as knowledge graph completion,
content/item recommendation, social network recommendations and so on. The
initial focus of most research was on link prediction in static graphs.
However, there has recently been abundant work on modeling temporal graphs, and
consequently one of the tasks that has been researched is link prediction in
temporal graphs. However, most of the existing work does not focus on the order
of link formation, and only predicts the existence of links. In this study, we
aim to predict the order of node interactions.
- Abstract（参考訳）: グラフにおけるリンク予測は、広く研究されているタスクである。
ナレッジグラフの補完、コンテンツ/コンテンツの推薦、ソーシャルネットワークの推薦など、さまざまな分野に適用されている。
ほとんどの研究の最初の焦点は静的グラフにおけるリンク予測であった。
しかし、最近は時間グラフのモデリングに関する多くの研究が行われており、その結果、時間グラフのリンク予測が研究されている。
しかし、既存の研究のほとんどはリンク形成の順序に焦点を合わせておらず、リンクの存在を予測しているに過ぎない。
本研究では,ノード間相互作用の順序を予測することを目的とする。
関連論文リスト
- Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。
有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
論文 参考訳（メタデータ） (2024-10-16T00:01:31Z) - Node-Time Conditional Prompt Learning In Dynamic Graphs [14.62182210205324]
DYGPROMPTは動的グラフモデリングのための新しい事前学習および迅速な学習フレームワークである。
我々はノードと時間の特徴が相互に特徴付けることを認識し、下流タスクにおけるノード時間パターンの進化をモデル化するための2つの条件ネットを提案する。
論文 参考訳（メタデータ） (2024-05-22T19:10:24Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳（メタデータ） (2023-02-27T22:56:06Z) - ExplaGraphs: An Explanation Graph Generation Task for Structured
Commonsense Reasoning [65.15423587105472]
スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。
具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。
グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
論文 参考訳（メタデータ） (2021-04-15T17:51:36Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - A comparative study of similarity-based and GNN-based link prediction
approaches [1.0441880303257467]
グラフニューラルネットワーク(GNN)は、グラフ内のリンク予測タスクに使用できるグラフから隠れた特徴を学習することができる。
本稿では、同次グラフの領域における類似性とGNNに基づくリンク予測手法について検討する。
論文 参考訳（メタデータ） (2020-08-20T10:41:53Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z) - A Survey of Adversarial Learning on Graphs [59.21341359399431]
本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。
具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。
我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
論文 参考訳（メタデータ） (2020-03-10T12:48:00Z)
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。