論文の概要: Using Motif Transitions for Temporal Graph Generation

• arxiv url: http://arxiv.org/abs/2306.11190v1
• Date: Mon, 19 Jun 2023 22:53:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 16:10:49.198277
• Title: Using Motif Transitions for Temporal Graph Generation
• Title（参考訳）: モチーフ遷移を用いた時間グラフ生成
• Authors: Penghang Liu, A. Erdem Sar{\i}y\"uce
• Abstract要約: 我々は,現実的なグローバルな特徴と局所的な特徴を持つ合成時間ネットワークを生成するための実用的な時間グラフ生成装置を開発した。 私たちのキーとなるアイデアは、新しいイベントの到着を時間的モチーフ移行プロセスとしてモデル化することです。 我々は,グローバルおよびローカルな時間グラフ統計と実行時性能の保存に関して,モデルがベースラインを一貫して上回っていることを実証する。
• 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: Graph generative models are highly important for sharing surrogate data and benchmarking purposes. Real-world complex systems often exhibit dynamic nature, where the interactions among nodes change over time in the form of a temporal network. Most temporal network generation models extend the static graph generation models by incorporating temporality in the generation process. More recently, temporal motifs are used to generate temporal networks with better success. However, existing models are often restricted to a small set of predefined motif patterns due to the high computational cost of counting temporal motifs. In this work, we develop a practical temporal graph generator, Motif Transition Model (MTM), to generate synthetic temporal networks with realistic global and local features. Our key idea is modeling the arrival of new events as temporal motif transition processes. We first calculate the transition properties from the input graph and then simulate the motif transition processes based on the transition probabilities and transition rates. We demonstrate that our model consistently outperforms the baselines with respect to preserving various global and local temporal graph statistics and runtime performance.
• Abstract（参考訳）: グラフ生成モデルは、代理データとベンチマーク目的を共有する上で非常に重要である。 実世界の複雑系はしばしば動的性質を示し、ノード間の相互作用は時間とともに時間的ネットワークの形で変化する。 ほとんどの時間的ネットワーク生成モデルは、生成プロセスに時間性を取り込むことで静的グラフ生成モデルを拡張する。 最近では、時間的モチーフを使用して、より優れた成功を伴う時間的ネットワークを生成する。 しかしながら、既存のモデルは時間的モチーフをカウントする計算コストが高いため、定義済みのモチーフパターンの小さなセットに制限されることが多い。 本研究では,実用的な時間グラフ生成器であるモチーフ遷移モデル(mtm)を開発し,現実的かつ局所的な特徴を持つ合成時間ネットワークを生成する。 重要なアイデアは,新たなイベントの到着を一時的なモチーフ移行プロセスとしてモデル化することです。 まず、入力グラフから遷移特性を計算し、遷移確率と遷移率に基づいてモチーフ遷移過程をシミュレートする。 我々は,グローバルおよびローカルな時間グラフ統計と実行時性能の保存に関して,モデルがベースラインを一貫して上回ることを示す。

関連論文リスト

• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• State Space Models on Temporal Graphs: A First-Principles Study [30.531930200222423]
  深層グラフ学習の研究は、動的挙動を示す実世界の複雑なシステムに応答して、静的グラフから時間グラフへ移行した。 RNNやTransformerのようなシーケンスモデルは、このような時間グラフをモデル化するための主要なバックボーンネットワークである。 時間グラフのダイナミクスをモデル化するためのグラフ状態空間モデルであるGraphSSMを開発した。
  論文  参考訳（メタデータ） (2024-06-03T02:56:11Z)
• 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)
• DYMOND: DYnamic MOtif-NoDes Network Generative Model [14.207034497262741]
  DYnamic MOtif-NoDes - 時間的モチーフ活動を用いた全体グラフ構造の変化を考慮した生成モデルを提案する。 DYMONDは、観測されたネットワークと同様のグラフ構造とノードの挙動を生成するのに優れていることを示す。 また,ネットワークの時間的側面をよりよく評価するために,グラフ構造メトリクスを適応させる手法を提案する。
  論文  参考訳（メタデータ） (2023-08-01T18:20:05Z)
• 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)
• 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)
• Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting [13.441945545904504]
  スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。 具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。 我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
  論文  参考訳（メタデータ） (2022-06-18T04:24:36Z)
• TIGGER: Scalable Generative Modelling for Temporal Interaction Graphs [19.71442902979904]
  既存の生成モデルは、時間的地平線やノード数とともにスケールしない。 本稿では,このギャップをTIGGERと呼ばれる新しい生成モデルで埋める。 我々は、TIGGERが優れた忠実度を持つグラフを生成すると同時に、最先端技術よりも最大3桁高速であることを示す。
  論文  参考訳（メタデータ） (2022-03-07T18:09:05Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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)
• TG-GAN: Continuous-time Temporal Graph Generation with Deep Generative Models [9.75258136573147]
  本稿では,時系列グラフ生成のためのTG-GAN'と呼ばれる新しいモデルを提案する。 まず,時間予算とノード属性を共同でモデル化する新しい時間グラフ生成手法を提案する。 さらに、繰り返しアーキテクチャ上での時間とノードの符号化操作を組み合わせて生成されたシーケンスを識別する新しい時間グラフ識別器を提案する。
  論文  参考訳（メタデータ） (2020-05-17T17:59:12Z)

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。