論文の概要: RDGSL: Dynamic Graph Representation Learning with Structure Learning
- arxiv url: http://arxiv.org/abs/2309.02025v1
- Date: Tue, 5 Sep 2023 08:03:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 15:52:58.626098
- Title: RDGSL: Dynamic Graph Representation Learning with Structure Learning
- Title(参考訳): RDGSL:構造学習による動的グラフ表現学習
- Authors: Siwei Zhang, Yun Xiong, Yao Zhang, Yiheng Sun, Xi Chen, Yizhu Jiao and
Yangyong Zhu
- Abstract要約: 時間グラフネットワーク(TGN)は、連続時間動的グラフの学習表現において顕著な性能を示した。
しかし、実世界のダイナミックグラフは典型的には多様で複雑なノイズを含む。
ノイズは表現生成の質を著しく低下させ、下流タスクにおけるTGNの有効性を阻害する。
- 参考スコア(独自算出の注目度): 23.00398150548281
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Temporal Graph Networks (TGNs) have shown remarkable performance in learning
representation for continuous-time dynamic graphs. However, real-world dynamic
graphs typically contain diverse and intricate noise. Noise can significantly
degrade the quality of representation generation, impeding the effectiveness of
TGNs in downstream tasks. Though structure learning is widely applied to
mitigate noise in static graphs, its adaptation to dynamic graph settings poses
two significant challenges. i) Noise dynamics. Existing structure learning
methods are ill-equipped to address the temporal aspect of noise, hampering
their effectiveness in such dynamic and ever-changing noise patterns. ii) More
severe noise. Noise may be introduced along with multiple interactions between
two nodes, leading to the re-pollution of these nodes and consequently causing
more severe noise compared to static graphs. In this paper, we present RDGSL, a
representation learning method in continuous-time dynamic graphs. Meanwhile, we
propose dynamic graph structure learning, a novel supervisory signal that
empowers RDGSL with the ability to effectively combat noise in dynamic graphs.
To address the noise dynamics issue, we introduce the Dynamic Graph Filter,
where we innovatively propose a dynamic noise function that dynamically
captures both current and historical noise, enabling us to assess the temporal
aspect of noise and generate a denoised graph. We further propose the Temporal
Embedding Learner to tackle the challenge of more severe noise, which utilizes
an attention mechanism to selectively turn a blind eye to noisy edges and hence
focus on normal edges, enhancing the expressiveness for representation
generation that remains resilient to noise. Our method demonstrates robustness
towards downstream tasks, resulting in up to 5.1% absolute AUC improvement in
evolving classification versus the second-best baseline.
- Abstract(参考訳): 時間グラフネットワーク(TGN)は、連続時間動的グラフの学習表現において顕著な性能を示した。
しかし、実世界のダイナミックグラフは典型的には多様で複雑なノイズを含む。
ノイズは表現生成の質を著しく低下させ、下流タスクにおけるTGNの有効性を阻害する。
構造学習は静的グラフのノイズ軽減に広く応用されているが、動的グラフ設定への適応は2つの重要な課題を生んでいる。
i)ノイズダイナミクス。
既存の構造学習手法は、ノイズの時間的側面に対処するには不適であり、そのような動的かつ絶え間なく変化するノイズパターンにおけるそれらの効果を妨げる。
二)より厳しい騒音。
ノイズは2つのノード間の複数の相互作用とともに導入され、これらのノードが再汚染され、静的グラフよりも重いノイズを引き起こす。
本稿では,連続時間動的グラフにおける表現学習手法RDGSLを提案する。
一方,動的グラフの雑音に効果的に対処できるRDGSLを補助する新しい信号である動的グラフ構造学習を提案する。
ノイズダイナミックス問題に対処するために、動的グラフフィルタを導入し、現在および過去のノイズの両方を動的にキャプチャする動的ノイズ関数を提案し、ノイズの時間的側面を評価し、復調グラフを生成する。
さらに,目視を雑音エッジに選択的に向け,通常のエッジに焦点を合わせ,雑音に耐性のある表現生成のための表現表現性を高めるための注意機構を用いた,より重大な雑音の課題に取り組むための時間的埋め込み学習器を提案する。
提案手法は,下流タスクに対するロバスト性を示し,第2ベットベースラインに比べて,進化的分類において最大5.1%の絶対的なAUC改善をもたらす。
関連論文リスト
- Adaptive Spatiotemporal Augmentation for Improving Dynamic Graph Learning [16.768825403934432]
STAAは、時間次元においてノイズの多いエッジを持つ可能性のあるノードを特定する。
グラフウェーブレットの変化率を通じてエッジの進化を分析する。
ランダムウォークは、ノイズの多いエッジの重量を減らすために使用される。
論文 参考訳(メタデータ) (2025-01-17T07:48:18Z) - You Can't Ignore Either: Unifying Structure and Feature Denoising for Robust Graph Learning [34.52299775051481]
我々は、構造と特徴のデッドロックを解き放つために、統一グラフ復調(UGD)フレームワークを開発する。
具体的には、ノイズエッジを認識するために、高次近傍評価法を提案する。
また,グラフオートエンコーダをベースとした,ノイズの多い特徴の再現も提案する。
論文 参考訳(メタデータ) (2024-08-01T16:43:55Z) - RobGC: Towards Robust Graph Condensation [61.259453496191696]
グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。
しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。
本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
論文 参考訳(メタデータ) (2024-06-19T04:14:57Z) - Temporal Graph Representation Learning with Adaptive Augmentation
Contrastive [12.18909612212823]
時間グラフ表現学習は、時間情報を取得するために低次元の動的ノード埋め込みを生成することを目的としている。
本稿では,適応拡張コントラスト(TGAC)モデルを用いたテンポラルグラフ表現学習を提案する。
実ネットワークにおける実験により,提案手法が他の時間グラフ表現学習法より優れていることを示す。
論文 参考訳(メタデータ) (2023-11-07T11:21:16Z) - 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) - Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。
本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。
S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
論文 参考訳(メタデータ) (2023-02-15T06:36:04Z) - Time-aware Random Walk Diffusion to Improve Dynamic Graph Learning [3.4012007729454816]
TiaRaは、グラフスナップショットの離散時間シーケンスとして表される動的グラフを拡大するための、新しい拡散ベースの方法である。
TiaRaは与えられた動的グラフを効果的に拡張し、様々なグラフデータセットやタスクに対する動的GNNモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2022-11-02T15:55:46Z) - DyTed: Disentangled Representation Learning for Discrete-time Dynamic
Graph [59.583555454424]
離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。
本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
論文 参考訳(メタデータ) (2022-10-19T14:34:12Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。
最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。
本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
論文 参考訳(メタデータ) (2021-01-19T02:04:00Z) - Learning Node Representations from Noisy Graph Structures [38.32421350245066]
現実のネットワークではノイズが広まっており、ネットワークを危険にさらしている。
本研究では,ノイズのないノード表現を学習し,同時にノイズを除去する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-04T07:18:39Z)
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。