Fugu-MT 論文翻訳(概要): Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment

論文の概要: Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment

arxiv url: http://arxiv.org/abs/2302.07491v3
Date: Sun, 28 Apr 2024 08:49:34 GMT
ステータス: 処理完了
システム内更新日: 2024-05-01 01:44:16.351413
Title: Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment
Title（参考訳）: 時間的・構造的強度アライメントを用いた自己教師付き時間グラフ学習
Authors: Meng Liu, Ke Liang, Yawei Zhao, Wenxuan Tu, Sihang Zhou, Xinbiao Gan, Xinwang Liu, Kunlun He,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 53.72873672076391
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Temporal graph learning aims to generate high-quality representations for graph-based tasks with dynamic information, which has recently garnered increasing attention. In contrast to static graphs, temporal graphs are typically organized as node interaction sequences over continuous time rather than an adjacency matrix. Most temporal graph learning methods model current interactions by incorporating historical neighborhood. However, such methods only consider first-order temporal information while disregarding crucial high-order structural information, resulting in suboptimal performance. To address this issue, we propose a self-supervised method called S2T for temporal graph learning, which extracts both temporal and structural information to learn more informative node representations. Notably, the initial node representations combine first-order temporal and high-order structural information differently to calculate two conditional intensities. An alignment loss is then introduced to optimize the node representations, narrowing the gap between the two intensities and making them more informative. Concretely, in addition to modeling temporal information using historical neighbor sequences, we further consider structural knowledge at both local and global levels. At the local level, we generate structural intensity by aggregating features from high-order neighbor sequences. At the global level, a global representation is generated based on all nodes to adjust the structural intensity according to the active statuses on different nodes. Extensive experiments demonstrate that the proposed model S2T achieves at most 10.13% performance improvement compared with the state-of-the-art competitors on several datasets.
Abstract（参考訳）: 時間グラフ学習は,近年注目度が高まっている動的情報を用いたグラフベースタスクの高品質な表現を実現することを目的としている。静的グラフとは対照的に、時間グラフは概して隣接行列ではなく、連続的にノード間相互作用列として構成される。ほとんどの時間グラフ学習法は、歴史地区を組み込むことで、現在の相互作用をモデル化する。しかし、これらの手法は、重要な高次構造情報を無視しながら、一階時間情報のみを考慮し、その結果、準最適性能をもたらす。この問題に対処するために,時間的および構造的な情報を抽出し,より情報的なノード表現を学習する,S2Tと呼ばれる時間的グラフ学習のための自己指導手法を提案する。特に、初期ノード表現は、2つの条件強度を計算するために、一階時間情報と高階構造情報を異なる方法で結合する。次にアライメント損失を導入してノード表現を最適化し、2つのインテンシティ間のギャップを狭め、それらをより有益なものにする。具体的には、歴史的隣接配列を用いた時間情報のモデル化に加えて、局所的・世界的レベルの構造的知識についても検討する。局所レベルでは、高次近傍列から特徴を集約することで構造強度を生成する。グローバルレベルでは、すべてのノードに基づいてグローバル表現を生成し、異なるノード上のアクティブステータスに応じて構造強度を調整する。大規模な実験により、提案されたモデル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が達成されている。

関連論文リスト

CTRL: Continuous-Time Representation Learning on Temporal Heterogeneous Information Network [32.42051167404171]
時間HINを用いた連続時間表現学習モデルを提案する。我々は、高次ネットワーク構造の進化を捉えるために、将来の事象(サブグラフ)予測タスクでモデルを訓練する。その結果,本モデルは性能を著しく向上し,様々な最先端手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-05-11T03:39:22Z)
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)
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)
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)
DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
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。
論文参考訳（メタデータ） (2022-10-19T14:34:12Z)
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)
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)
Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling [2.3022070933226217]
静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2021-12-06T08:19:15Z)
Inductive Representation Learning on Temporal Graphs [33.44276155380476]
時間的動的グラフは、新しいノードの処理と時間的パターンのキャプチャを必要とする。本研究では,時間-トポロジ的特徴を効率的に集約する時間グラフアテンション層を提案する。 TGAT層を積み重ねることで、ネットワークはノードの埋め込みを時間の関数として認識し、新しいノードと観測されたノードの両方の埋め込みを誘導的に推論することができる。
論文参考訳（メタデータ） (2020-02-19T02:05:37Z)

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。