論文の概要: TIGER: Temporal Interaction Graph Embedding with Restarts

• arxiv url: http://arxiv.org/abs/2302.06057v1
• Date: Mon, 13 Feb 2023 02:29:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 16:51:32.561987
• Title: TIGER: Temporal Interaction Graph Embedding with Restarts
• Title（参考訳）: TIGER: 再起動を組み込んだテンポラルインタラクショングラフ
• Authors: Yao Zhang, Yun Xiong, Yongxiang Liao, Yiheng Sun, Yucheng Jin, Xuehao Zheng, Yangyong Zhu
• Abstract要約: 時間的相互作用グラフ(TIG)は、eコマースやソーシャルネットワークなどの分野で広く使われている。 TIGは、時間とともに変化するタイムスタンプされたインタラクションイベントのシーケンスで構成される。 従来の方法は、ノード表現が最新であることを保証するために、時系列かつ連続的にイベントのシーケンスを処理しなければならない。 これにより、既存のモデルの並列化が防止され、産業アプリケーションにおける柔軟性が低下する。
• 参考スコア（独自算出の注目度）: 12.685645074210562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal interaction graphs (TIGs), consisting of sequences of timestamped interaction events, are prevalent in fields like e-commerce and social networks. To better learn dynamic node embeddings that vary over time, researchers have proposed a series of temporal graph neural networks for TIGs. However, due to the entangled temporal and structural dependencies, existing methods have to process the sequence of events chronologically and consecutively to ensure node representations are up-to-date. This prevents existing models from parallelization and reduces their flexibility in industrial applications. To tackle the above challenge, in this paper, we propose TIGER, a TIG embedding model that can restart at any timestamp. We introduce a restarter module that generates surrogate representations acting as the warm initialization of node representations. By restarting from multiple timestamps simultaneously, we divide the sequence into multiple chunks and naturally enable the parallelization of the model. Moreover, in contrast to previous models that utilize a single memory unit, we introduce a dual memory module to better exploit neighborhood information and alleviate the staleness problem. Extensive experiments on four public datasets and one industrial dataset are conducted, and the results verify both the effectiveness and the efficiency of our work.
• Abstract（参考訳）: 時間的相互作用グラフ(TIG)は、Eコマースやソーシャルネットワークなどの分野で広く使われている。 時間とともに変化する動的ノード埋め込みをよりよく学ぶために、研究者はtigsのための一連のテンポラリグラフニューラルネットワークを提案した。 しかし、時間的および構造的依存関係が絡み合ったため、既存のメソッドはノード表現が最新であることを保証するために、時系列的に連続的にイベントのシーケンスを処理する必要がある。 これにより既存のモデルの並列化が防止され、産業アプリケーションにおける柔軟性が低下する。 本稿では,TIG埋め込みモデルとして,任意のタイムスタンプで再起動可能なTIGERを提案する。 ノード表現の温かい初期化として機能する代理表現を生成する再起動モジュールを導入する。 複数のタイムスタンプから同時に再起動することで、シーケンスを複数のチャンクに分割し、自然にモデルの並列化を可能にする。 さらに, 単一メモリユニットを用いた従来のモデルとは対照的に, 周辺情報をうまく活用し, 安定化問題を緩和するデュアルメモリモジュールを導入する。 4つの公開データセットと1つの産業データセットに関する広範な実験を行い,本研究の有効性と効率を検証した。

関連論文リスト

• Interaction Event Forecasting in Multi-Relational Recursive HyperGraphs: A Temporal Point Process Approach [12.142292322071299]
  本研究は,マルチリレーショナル再帰的ハイパーグラフにおける高次相互作用事象の予測問題に対処する。 提案したモデルであるtextitRelational Recursive Hyperedge Temporal Point Process (RRHyperTPP) は,歴史的相互作用パターンに基づいて動的ノード表現を学習するエンコーダを使用する。 我々は,従来のインタラクション予測手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-04-27T15:46:54Z)
• 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 Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• SeDyT: A General Framework for Multi-Step Event Forecasting via Sequence Modeling on Dynamic Entity Embeddings [6.314274045636102]
  イベント予測は、時間的知識グラフ推論において重要で困難なタスクである。 本稿では,動的エンティティ埋め込み上でシーケンスモデリングを行う識別フレームワークであるSeDyTを提案する。 時間的グラフニューラルネットワークモデルとシーケンスモデルを組み合わせることで、SeDyTは平均2.4%のMRR改善を実現している。
  論文  参考訳（メタデータ） (2021-09-09T20:32:48Z)
• Event2Graph: Event-driven Bipartite Graph for Multivariate Time-series Anomaly Detection [25.832983667044708]
  本稿では,時系列間の依存性を符号化する動的二部グラフ構造を提案する。 この設計に基づいて、時系列間の関係はイベントノードへの動的接続を通じて明示的にモデル化できる。
  論文  参考訳（メタデータ） (2021-08-15T17:50:37Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• Temporal Graph Modeling for Skeleton-based Action Recognition [25.788239844759246]
  複雑な時間的ダイナミクスを捉えるための時間拡張グラフ畳み込みネットワーク(TE-GCN)を提案する。 構築された時間関係グラフは、意味的に関連する時間的特徴間の接続を明示的に構築する。 2つの大規模データセットで実験を行う。
  論文  参考訳（メタデータ） (2020-12-16T09:02:47Z)
• From Static to Dynamic Node Embeddings [61.58641072424504]
  本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。 提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。 トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
  論文  参考訳（メタデータ） (2020-09-21T16:48:29Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。