論文の概要: Dynamic Graph Representation Learning with Neural Networks: A Survey
- arxiv url: http://arxiv.org/abs/2304.05729v1
- Date: Wed, 12 Apr 2023 09:39:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 15:28:59.982777
- Title: Dynamic Graph Representation Learning with Neural Networks: A Survey
- Title(参考訳): ニューラルネットワークを用いた動的グラフ表現学習:サーベイ
- Authors: Leshanshui Yang, S\'ebastien Adam, Cl\'ement Chatelain
- Abstract要約: 動的グラフ表現は新しい機械学習問題として現れた。
本稿では,動的グラフ学習に関連する問題とモデルをレビューすることを目的とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, Dynamic Graph (DG) representations have been increasingly
used for modeling dynamic systems due to their ability to integrate both
topological and temporal information in a compact representation. Dynamic
graphs allow to efficiently handle applications such as social network
prediction, recommender systems, traffic forecasting or electroencephalography
analysis, that can not be adressed using standard numeric representations. As a
direct consequence of the emergence of dynamic graph representations, dynamic
graph learning has emerged as a new machine learning problem, combining
challenges from both sequential/temporal data processing and static graph
learning. In this research area, Dynamic Graph Neural Network (DGNN) has became
the state of the art approach and plethora of models have been proposed in the
very recent years. This paper aims at providing a review of problems and models
related to dynamic graph learning. The various dynamic graph supervised
learning settings are analysed and discussed. We identify the similarities and
differences between existing models with respect to the way time information is
modeled. Finally, general guidelines for a DGNN designer when faced with a
dynamic graph learning problem are provided.
- Abstract(参考訳): 近年、動的グラフ(DG)表現は、トポロジ的情報と時間的情報の両方をコンパクトな表現に統合する能力により、動的システムのモデリングにますます利用されている。
動的グラフは、標準的な数値表現では表現できない、ソーシャルネットワークの予測、レコメンデータシステム、交通予知、脳波解析などのアプリケーションを効率的に扱うことができる。
動的グラフ表現の出現の直接的な結果として、動的グラフ学習は新しい機械学習問題として出現し、シーケンシャル・テンポラルなデータ処理と静的グラフ学習の両方の課題を組み合わせる。
この研究領域では、動的グラフニューラルネットワーク(DGNN)がアートアプローチの最先端となり、近年では多数のモデルが提案されている。
本稿では,動的グラフ学習に関連する問題とモデルをレビューすることを目的とする。
様々な動的グラフ教師付き学習設定を分析して考察する。
我々は、時間情報のモデル化方法に関して、既存のモデル間の類似性と相違を識別する。
最後に、動的グラフ学習問題に直面した場合のDGNNデザイナの一般的なガイドラインを提供する。
関連論文リスト
- Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳(メタデータ) (2023-05-16T11:38:19Z) - 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) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。
EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
論文 参考訳(メタデータ) (2021-12-14T22:24:53Z) - 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) - 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) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - Temporal Graph Networks for Deep Learning on Dynamic Graphs [4.5158585619109495]
時系列グラフネットワーク(TGN)は,時系列イベントのシーケンスとして表される動的グラフの深層学習のための汎用的で効率的なフレームワークである。
メモリモジュールとグラフベースの演算子を組み合わせた新しい組み合わせにより、TGNは、計算効率が向上した以前のアプローチを大幅に上回ることができる。
論文 参考訳(メタデータ) (2020-06-18T16:06:18Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-06-17T16:18:35Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z) - EvoNet: A Neural Network for Predicting the Evolution of Dynamic Graphs [26.77596449192451]
動的グラフの進化を予測するモデルを提案する。
具体的には、動的グラフの時間的進化パターンを捉えるために、グラフニューラルネットワークと繰り返しアーキテクチャを使用します。
提案手法は,ネットワークの進化にともなう複数の人工データセットと実世界のデータセットを用いて評価する。
論文 参考訳(メタデータ) (2020-03-02T12:59:05Z)
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。