論文の概要: An Evolution Kernel Method for Graph Classification through Heat Diffusion Dynamics

• arxiv url: http://arxiv.org/abs/2306.14688v1
• Date: Mon, 26 Jun 2023 13:32:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 13:28:56.886482
• Title: An Evolution Kernel Method for Graph Classification through Heat Diffusion Dynamics
• Title（参考訳）: 熱拡散ダイナミクスによるグラフ分類のための進化カーネル法
• Authors: Xue Liu, Dan Sun, Wei Wei, Zhiming Zheng
• Abstract要約: 本研究では,各静的グラフを時間的グラフ列に変換する熱駆動方式を提案する。 このアプローチは、システムの進化的振る舞いを効果的に記述する。 実世界の構造グラフデータセットの分類問題にうまく応用されている。
• 参考スコア（独自算出の注目度）: 12.094047128690834
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous individuals establish a structural complex system through pairwise connections and interactions. Notably, the evolution reflects the dynamic nature of each complex system since it recodes a series of temporal changes from the past, the present into the future. Different systems follow distinct evolutionary trajectories, which can serve as distinguishing traits for system classification. However, modeling a complex system's evolution is challenging for the graph model because the graph is typically a snapshot of the static status of a system, and thereby hard to manifest the long-term evolutionary traits of a system entirely. To address this challenge, we suggest utilizing a heat-driven method to generate temporal graph augmentation. This approach incorporates the physics-based heat kernel and DropNode technique to transform each static graph into a sequence of temporal ones. This approach effectively describes the evolutional behaviours of the system, including the retention or disappearance of elements at each time point based on the distributed heat on each node. Additionally, we propose a dynamic time-wrapping distance GDTW to quantitatively measure the distance between pairwise evolutionary systems through optimal matching. The resulting approach, called the Evolution Kernel method, has been successfully applied to classification problems in real-world structural graph datasets. The results yield significant improvements in supervised classification accuracy over a series of baseline methods.
• Abstract（参考訳）: 自律的な個人は対関係と相互作用を通じて構造的な複雑なシステムを確立する。 特に、進化は、過去、現在から未来への一連の時間的変化を再コードするため、それぞれの複雑なシステムの動的な性質を反映している。 異なる系は異なる進化の軌跡を辿り、系分類の異なる特性として機能する。 しかしながら、複雑なシステムの進化をモデル化することは、グラフが一般にシステムの静的な状態のスナップショットであるため、システム全体の長期的進化特性を示すのが難しくなるため、グラフモデルにとって困難である。 この課題に対処するために、時間グラフ増分を生成する熱駆動方式を提案する。 このアプローチには物理ベースの熱カーネルとDropNode技術が組み込まれ、各静的グラフを一時的なグラフ列に変換する。 このアプローチは、各ノードの分散熱に基づいて各時点における要素の保持や消失を含む、システムの進化的振る舞いを効果的に記述する。 さらに,時間ラッピング距離GDTWを提案し,最適マッチングによりペア進化系間の距離を定量的に測定する。 結果として得られたアプローチはEvolution Kernel法と呼ばれ、実世界の構造グラフデータセットの分類問題にうまく適用されている。 その結果,一連のベースライン法よりも教師付き分類精度が大幅に向上した。

関連論文リスト

• Graph Neural Flows for Unveiling Systemic Interactions Among Irregularly Sampled Time Series [5.460420960898444]
  我々は不規則な時間点で観測された時系列の系統的相互作用を明らかにするグラフベースモデルを開発した。 時系列分類や予測など,いくつかの課題に対するアプローチの有効性を検証し,その有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-17T21:10:39Z)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• 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)
• TransformerG2G: Adaptive time-stepping for learning temporal graph embeddings using transformers [2.2120851074630177]
  本研究では,不確実な定量化を伴うグラフ埋め込みモデルであるTransformerG2Gを開発し,時間的グラフの時間的ダイナミクスを学習する。 提案したTransformerG2Gモデルが従来のマルチステップ法より優れていることを示す。 注意重みを調べることで、時間的依存関係を解明し、影響力のある要素を特定し、グラフ構造内の複雑な相互作用についての洞察を得ることができる。
  論文  参考訳（メタデータ） (2023-07-05T18:34:22Z)
• 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)
• 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)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Complex Evolutional Pattern Learning for Temporal Knowledge Graph Reasoning [60.94357727688448]
  TKG推論は、歴史的KG配列を考えると、将来の潜在的な事実を予測することを目的としている。 進化のパターンは、長さの多様性と時間変化の2つの側面において複雑である。 本稿では,CEN(Complex Evolutional Network)と呼ばれる新しいモデルを提案する。CNN(Convolutional Neural Network)を用いて,長さの異なる進化パターンを扱う。
  論文  参考訳（メタデータ） (2022-03-15T11:02:55Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Learning Attribute-Structure Co-Evolutions in Dynamic Graphs [28.848851822725933]
  本稿では動的属性グラフシーケンスをモデル化するCoEvoGNNという新しいフレームワークを提案する。 これは、シーケンスを通じて生成を埋め込むことで、現在のグラフに対する以前のグラフの影響を保っている。 進化における長距離依存をモデル化するための時間的自己認識機構を持つ。
  論文  参考訳（メタデータ） (2020-07-25T20:07:28Z)

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。