Fugu-MT 論文翻訳(概要): DYMOND: DYnamic MOtif-NoDes Network Generative Model

論文の概要: DYMOND: DYnamic MOtif-NoDes Network Generative Model

arxiv url: http://arxiv.org/abs/2308.00770v1
Date: Tue, 1 Aug 2023 18:20:05 GMT
ステータス: 処理完了
システム内更新日: 2023-08-03 14:49:39.520653
Title: DYMOND: DYnamic MOtif-NoDes Network Generative Model
Title（参考訳）: dymond:動的モチーフノードネットワーク生成モデル
Authors: Giselle Zeno, Timothy La Fond, Jennifer Neville
Abstract要約: 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。
参考スコア（独自算出の注目度）: 14.207034497262741
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Motifs, which have been established as building blocks for network structure, move beyond pair-wise connections to capture longer-range correlations in connections and activity. In spite of this, there are few generative graph models that consider higher-order network structures and even fewer that focus on using motifs in models of dynamic graphs. Most existing generative models for temporal graphs strictly grow the networks via edge addition, and the models are evaluated using static graph structure metrics -- which do not adequately capture the temporal behavior of the network. To address these issues, in this work we propose DYnamic MOtif-NoDes (DYMOND) -- a generative model that considers (i) the dynamic changes in overall graph structure using temporal motif activity and (ii) the roles nodes play in motifs (e.g., one node plays the hub role in a wedge, while the remaining two act as spokes). We compare DYMOND to three dynamic graph generative model baselines on real-world networks and show that DYMOND performs better at generating graph structure and node behavior similar to the observed network. We also propose a new methodology to adapt graph structure metrics to better evaluate the temporal aspect of the network. These metrics take into account the changes in overall graph structure and the individual nodes' behavior over time.
Abstract（参考訳）: モチーフはネットワーク構造のビルディングブロックとして確立され、ペアのコネクションを超えて、コネクションとアクティビティの長距離相関を捉える。それにもかかわらず、高次ネットワーク構造を考える生成グラフモデルはほとんど存在せず、動的グラフのモデルでモチーフを使うことに重点を置いたものも少なくない。既存の時間グラフ生成モデルは、エッジの追加によってネットワークを厳密に成長させ、モデルは静的グラフ構造メトリクス(ネットワークの時間的挙動を適切に捉えていない)を用いて評価される。これらの課題に対処するため、本稿では、DYnamic MOtif-NoDes(DYMOND)を提案する。 (i)時間的モチーフ活動と全体的なグラフ構造の動的変化 (ii)ノードの役割はモチーフで果たす(例えば、1つのノードはくさびの中でハブの役割を演じ、残りの2つはスポークとして振る舞う)。ダイモンドを実世界ネットワーク上の3つの動的グラフ生成モデルベースラインと比較し,観察したネットワークと同様のグラフ構造とノードの振る舞いを生成するのに優れた性能を示す。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用する新しい手法を提案する。これらのメトリクスは、時間とともにグラフ構造全体と個々のノードの振る舞いの変化を考慮に入れます。

関連論文リスト

Retrieval Augmented Generation for Dynamic Graph Modeling [15.09162213134372]
動的グラフモデリングは、様々なアプリケーションで進化するパターンを分析するのに不可欠である。既存のアプローチは、しばしばグラフニューラルネットワークと時間モジュールを統合するか、生成シーケンスタスクとして動的グラフモデリングを再定義する。本稿では,動的グラフモデリング(RAG4DyG)フレームワークについて紹介する。
論文参考訳（メタデータ） (2024-08-26T09:23:35Z)
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)
Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。 RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-04-20T04:12:50Z)
Multi-Task Edge Prediction in Temporally-Dynamic Video Graphs [16.121140184388786]
MTD-GNNは,複数種類の関係に対して時間動的エッジを予測するグラフネットワークである。時間-動的グラフネットワークにおける複数の関係をモデル化することは相互に有益であることを示す。
論文参考訳（メタデータ） (2022-12-06T10:41:00Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
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)
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)
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)
Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T15:39:52Z)
Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文参考訳（メタデータ） (2020-05-15T09:17:08Z)
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。