論文の概要: Dynamic Link Prediction for New Nodes in Temporal Graph Networks

• arxiv url: http://arxiv.org/abs/2310.09787v1
• Date: Sun, 15 Oct 2023 09:54:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 18:10:57.009798
• Title: Dynamic Link Prediction for New Nodes in Temporal Graph Networks
• Title（参考訳）: 時間グラフネットワークにおける新しいノードの動的リンク予測
• Authors: Xiaobo Zhu, Yan Wu, Qinhu Zhang, Zhanheng Chen, Ying He
• Abstract要約: 新しいノードの動的リンク予測のための時間ネットワークのモデル化には、多くの実世界の応用がある。 新しいノードには履歴リンクがほとんどないため、動的リンク予測タスクには課題がある。 既存の動的モデルの多くは全てのノードを等しく扱い、新しいノードに特化していないため、亜最適性能をもたらす。
• 参考スコア（独自算出の注目度）: 6.13245948813717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modelling temporal networks for dynamic link prediction of new nodes has many real-world applications, such as providing relevant item recommendations to new customers in recommender systems and suggesting appropriate posts to new users on social platforms. Unlike old nodes, new nodes have few historical links, which poses a challenge for the dynamic link prediction task. Most existing dynamic models treat all nodes equally and are not specialized for new nodes, resulting in suboptimal performances. In this paper, we consider dynamic link prediction of new nodes as a few-shot problem and propose a novel model based on the meta-learning principle to effectively mitigate this problem. Specifically, we develop a temporal encoder with a node-level span memory to obtain a new node embedding, and then we use a predictor to determine whether the new node generates a link. To overcome the few-shot challenge, we incorporate the encoder-predictor into the meta-learning paradigm, which can learn two types of implicit information during the formation of the temporal network through span adaptation and node adaptation. The acquired implicit information can serve as model initialisation and facilitate rapid adaptation to new nodes through a fine-tuning process on just a few links. Experiments on three publicly available datasets demonstrate the superior performance of our model compared to existing state-of-the-art methods.
• Abstract（参考訳）: 新しいノードの動的リンク予測のための時間的ネットワークのモデリングには、レコメンデーションシステムで新しい顧客に関連するアイテムレコメンデーションを提供し、ソーシャルプラットフォーム上の新しいユーザーに対して適切な投稿を提案するなど、多くの現実世界のアプリケーションがある。 古いノードとは異なり、新しいノードには履歴リンクがほとんどなく、動的リンク予測タスクの課題となる。 ほとんどの既存の動的モデルは全てのノードを等しく扱い、新しいノードに特化していない。 本稿では,新しいノードの動的リンク予測を数ショット問題とみなし,メタラーニング原理に基づく新しいモデルを提案し,この問題を効果的に軽減する。 具体的には、ノードレベルのスパンメモリを持つ時間エンコーダを開発し、新しいノード埋め込みを取得し、予測器を用いて、新しいノードがリンクを生成するかどうかを判断する。 この課題を克服するために、エンコーダ予測器をメタラーニングパラダイムに組み込み、スパン適応とノード適応によって時間ネットワークの形成中に2種類の暗黙情報を学ぶことができる。 獲得された暗黙的情報はモデル初期化として機能し、ほんの数リンクの微調整プロセスを通じて新しいノードへの迅速な適応を促進する。 3つの公開データセットの実験は、既存の最先端手法と比較して、我々のモデルの優れた性能を示している。

関連論文リスト

• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• 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)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Streaming Graph Neural Networks via Continual Learning [31.810308087441445]
  グラフニューラルネットワーク(GNN)は様々なアプリケーションで高いパフォーマンスを実現している。 本稿では,連続学習に基づくストリーミングGNNモデルを提案する。 モデルパラメータを効率的に更新し、モデル再トレーニングに匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-09-23T06:52:30Z)
• Inductive Link Prediction for Nodes Having Only Attribute Information [21.714834749122137]
  属性グラフでは、構造情報と属性情報の両方をリンク予測に利用することができる。 2つのノード埋め込みエンコーダと1つのアライメント機構からなるDEALモデルを提案する。 提案手法は,既存のインダクティブリンク予測手法よりも優れ,また,トランスダクティブリンク予測における最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2020-07-16T00:51:51Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Temporal Network Representation Learning via Historical Neighborhoods Aggregation [28.397309507168128]
  本稿では,EHNAアルゴリズムによる埋め込みを提案する。 まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。 次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
  論文  参考訳（メタデータ） (2020-03-30T04:18:48Z)

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。