論文の概要: XFlow: Benchmarking Flow Behaviors over Graphs
- arxiv url: http://arxiv.org/abs/2308.03819v1
- Date: Mon, 7 Aug 2023 14:49:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 15:23:59.296736
- Title: XFlow: Benchmarking Flow Behaviors over Graphs
- Title（参考訳）: XFlow: グラフ上のフロー挙動のベンチマーク
- Authors: Zijian Zhang, Zonghan Zhang, Zhiqian Chen
- Abstract要約: ネットワークの研究は、数学、物理学、社会科学、計算機科学を含む様々な学術分野を含む。
この分野での現在の研究の大きな障害の1つは、ネットワークシナリオにおけるフローの振る舞いを研究するためのベンチマークスイートが存在しないことである。
本稿では,タスク,ベースラインモデル,グラフデータセット,評価ツールなどを含む新しいベンチマークスイートの実装を提案する。
- 参考スコア（独自算出の注目度）: 8.324217198711208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The occurrence of diffusion on a graph is a prevalent and significant
phenomenon, as evidenced by the spread of rumors, influenza-like viruses, smart
grid failures, and similar events. Comprehending the behaviors of flow is a
formidable task, due to the intricate interplay between the distribution of
seeds that initiate flow propagation, the propagation model, and the topology
of the graph. The study of networks encompasses a diverse range of academic
disciplines, including mathematics, physics, social science, and computer
science. This interdisciplinary nature of network research is characterized by
a high degree of specialization and compartmentalization, and the cooperation
facilitated by them is inadequate. From a machine learning standpoint, there is
a deficiency in a cohesive platform for assessing algorithms across various
domains. One of the primary obstacles to current research in this field is the
absence of a comprehensive curated benchmark suite to study the flow behaviors
under network scenarios.
To address this disparity, we propose the implementation of a novel benchmark
suite that encompasses a variety of tasks, baseline models, graph datasets, and
evaluation tools. In addition, we present a comprehensive analytical framework
that offers a generalized approach to numerous flow-related tasks across
diverse domains, serving as a blueprint and roadmap. Drawing upon the outcomes
of our empirical investigation, we analyze the advantages and disadvantages of
current foundational models, and we underscore potential avenues for further
study. The datasets, code, and baseline models have been made available for the
public at: https://github.com/XGraphing/XFlow
- Abstract（参考訳）: グラフ上での拡散の発生は、噂、インフルエンザのようなウイルス、スマートグリッドの故障、同様の出来事の拡散によって証明されるように、広くて重要な現象である。
流れの伝播を開始する種子の分布、伝播モデル、およびグラフのトポロジーの間の複雑な相互作用のため、流れの挙動の理解は恐ろしい作業である。
ネットワークの研究は、数学、物理学、社会科学、コンピュータ科学を含む様々な学術分野を包含している。
このネットワーク研究の学際的な性質は、高度に専門化と区画化が特徴であり、それらによる協力が不十分である。
機械学習の観点からは、さまざまなドメインにわたるアルゴリズムを評価するための凝集プラットフォームが不足している。
この分野での現在の研究の大きな障害の1つは、ネットワークシナリオにおけるフローの振る舞いを研究する包括的なベンチマークスイートがないことである。
この格差に対処するために、さまざまなタスク、ベースラインモデル、グラフデータセット、評価ツールを含む新しいベンチマークスイートの実装を提案する。
さらに,さまざまな領域にまたがる多数のフロー関連タスクに対して,ブループリントやロードマップなどの汎用的なアプローチを提供する包括的分析フレームワークを提案する。
経験的調査の結果を踏まえて,現在の基礎モデルの利点と欠点を分析し,今後の研究に向けた可能性について考察する。
データセット、コード、ベースラインモデルが公開された。 https://github.com/xgraphing/xflow
関連論文リスト
- A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。
具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。
文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文 参考訳（メタデータ） (2024-10-25T02:39:56Z) - Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。
この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
論文 参考訳（メタデータ） (2024-08-26T06:36:42Z) - Core Knowledge Learning Framework for Graph Adaptation and Scalability Learning [7.239264041183283]
グラフ分類は、多様な予測タスクへの適応、複数のターゲットドメインでのトレーニング、小さなサンプル予測シナリオの処理など、いくつかのハードルに直面している。
本手法は,様々なタスクからの洞察を取り入れることで,グラフ分類における適応性,拡張性,一般化性を向上させることを目的とする。
実験の結果, 最先端手法と比較して, 提案手法による性能向上が顕著であった。
論文 参考訳（メタデータ） (2024-07-02T02:16:43Z) - Graph Learning under Distribution Shifts: A Comprehensive Survey on
Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。
既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。
本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文 参考訳（メタデータ） (2024-02-26T07:52:40Z) - Graph Neural Modeling of Network Flows [6.199818486385127]
Per-Edge Weights (PEW) と呼ばれるネットワークフロー問題に対する新しいグラフ学習アーキテクチャを提案する。
PEWはグラフアテンションネットワーク上に構築され、各リンクに沿って明確にパラメータ化されたメッセージ関数を使用する。
PEWはグローバルメッセージ関数を制約するルーティング方式よりもかなりの利得が得られることを示す。
論文 参考訳（メタデータ） (2022-09-12T12:45:45Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳（メタデータ） (2022-04-15T04:02:06Z) - 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) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Quantifying Challenges in the Application of Graph Representation
Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。
実世界のグラフ特性に関する表現力を評価する。
GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文 参考訳（メタデータ） (2020-06-18T03:19:43Z) - A Survey of Adversarial Learning on Graphs [59.21341359399431]
本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。
具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。
我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
論文 参考訳（メタデータ） (2020-03-10T12:48:00Z)
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。