論文の概要: iLoRE: Dynamic Graph Representation with Instant Long-term Modeling and
Re-occurrence Preservation
- arxiv url: http://arxiv.org/abs/2309.02012v1
- Date: Tue, 5 Sep 2023 07:48:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 16:03:09.560574
- Title: iLoRE: Dynamic Graph Representation with Instant Long-term Modeling and
Re-occurrence Preservation
- Title（参考訳）: ilore: 短時間の長期モデリングと再帰保存による動的グラフ表現
- Authors: Siwei Zhang, Yun Xiong, Yao Zhang, Xixi Wu, Yiheng Sun and Jiawei
Zhang
- Abstract要約: iLoREは,ノードワイド長期モデリングと再帰保存が可能な動的グラフモデリング手法である。
実世界のデータセットに対する実験結果から,動的グラフモデリングにおけるiLoREの有効性が示された。
- 参考スコア（独自算出の注目度）: 21.15310868951046
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Continuous-time dynamic graph modeling is a crucial task for many real-world
applications, such as financial risk management and fraud detection. Though
existing dynamic graph modeling methods have achieved satisfactory results,
they still suffer from three key limitations, hindering their scalability and
further applicability. i) Indiscriminate updating. For incoming edges, existing
methods would indiscriminately deal with them, which may lead to more time
consumption and unexpected noisy information. ii) Ineffective node-wise
long-term modeling. They heavily rely on recurrent neural networks (RNNs) as a
backbone, which has been demonstrated to be incapable of fully capturing
node-wise long-term dependencies in event sequences. iii) Neglect of
re-occurrence patterns. Dynamic graphs involve the repeated occurrence of
neighbors that indicates their importance, which is disappointedly neglected by
existing methods. In this paper, we present iLoRE, a novel dynamic graph
modeling method with instant node-wise Long-term modeling and Re-occurrence
preservation. To overcome the indiscriminate updating issue, we introduce the
Adaptive Short-term Updater module that will automatically discard the useless
or noisy edges, ensuring iLoRE's effectiveness and instant ability. We further
propose the Long-term Updater to realize more effective node-wise long-term
modeling, where we innovatively propose the Identity Attention mechanism to
empower a Transformer-based updater, bypassing the limited effectiveness of
typical RNN-dominated designs. Finally, the crucial re-occurrence patterns are
also encoded into a graph module for informative representation learning, which
will further improve the expressiveness of our method. Our experimental results
on real-world datasets demonstrate the effectiveness of our iLoRE for dynamic
graph modeling.
- Abstract（参考訳）: 継続的動的グラフモデリングは、金融リスク管理や不正検出など、現実の多くのアプリケーションにとって重要なタスクである。
既存の動的グラフモデリング手法は十分な結果を得たが、スケーラビリティとさらなる適用性を妨げる3つの重要な制限をまだ抱えている。
i) 更新を無差別に行う。
入ってくるエッジに対しては、既存のメソッドが非差別にそれらを扱うため、より多くの時間消費と予期せぬノイズ情報をもたらす可能性がある。
二 非効率なノード単位の長期モデリング
バックボーンとしてリカレントニューラルネットワーク(RNN)に強く依存しており、イベントシーケンスにおけるノードの長期依存関係を完全にキャプチャできないことが示されている。
三 再発生パターンの無視
ダイナミックグラフは、その重要性を示す隣人の繰り返し発生を伴い、既存の手法では無視されている。
本稿では,ノード毎の長期モデリングと再帰保存を備えた新しい動的グラフモデリング手法であるiloreを提案する。
非差別的な更新問題を克服するために,無用なエッジやうるさいエッジを自動的に破棄し,iloreの有効性と即時能力を確保する適応型短期更新モジュールを導入する。
さらに,ノード回りの長期モデリングをより効果的なものにするための長期更新器の提案を行い,従来のrnn支配型設計の限定的な効果を回避し,トランスフォーマベースの更新器のエンパワー化のためのアイデンティティ注意機構を革新的に提案する。
最後に、重要な再帰パターンを情報表現学習のためのグラフモジュールに符号化し、提案手法の表現性をさらに向上させる。
実世界のデータセットに対する実験結果から,動的グラフモデリングにおけるiLoREの有効性が示された。
関連論文リスト
- SelfGNN: Self-Supervised Graph Neural Networks for Sequential Recommendation [15.977789295203976]
本稿では,SelfGNN(Self-Supervised Graph Neural Network)と呼ばれる新しいフレームワークを提案する。
SelfGNNフレームワークは、時間間隔に基づいて短期グラフを符号化し、グラフニューラルネットワーク(GNN)を使用して短期的な協調関係を学習する。
パーソナライズされた自己強化学習構造は、長期のユーザ関心と個人の安定性に基づいて、短期的なグラフにおけるノイズを緩和することにより、モデルロバスト性を高める。
論文 参考訳（メタデータ） (2024-05-31T14:53:12Z) - Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。
DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。
DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文 参考訳（メタデータ） (2024-05-23T10:26:18Z) - Signed Graph Neural Ordinary Differential Equation for Modeling
Continuous-time Dynamics [13.912268915939656]
グラフニューラルネットワークを通常の微分方程式と統合する一般的なアプローチは、有望な性能を示している。
符号付きグラフニューラル常微分方程式は,符号付き情報の誤キャプチャの限界に十分対処する。
提案したソリューションは、柔軟性と効率性の両方を誇っている。
論文 参考訳（メタデータ） (2023-12-18T13:45:33Z) - 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) - Instant Graph Neural Networks for Dynamic Graphs [18.916632816065935]
Instant Graph Neural Network (InstantGNN) を提案する。
提案手法は,時間を要する反復計算を回避し,表現の即時更新と即時予測を可能にする。
本モデルでは,既存手法よりも高精度かつ高次精度で最先端の精度を実現する。
論文 参考訳（メタデータ） (2022-06-03T03:27:42Z) - EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。
この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。
EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2022-02-22T08:16:58Z) - 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) - 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) - Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。
本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
論文 参考訳（メタデータ） (2021-08-16T04:20:09Z) - 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。