論文の概要: Continuous-time Graph Representation with Sequential Survival Process
- arxiv url: http://arxiv.org/abs/2312.13068v1
- Date: Wed, 20 Dec 2023 14:46:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 15:14:35.875119
- Title: Continuous-time Graph Representation with Sequential Survival Process
- Title(参考訳): 逐次生存過程を伴う連続時間グラフ表現
- Authors: Abdulkadir Celikkanat and Nikolaos Nakis and Morten M{\o}rup
- Abstract要約: 本稿では,リンクの継続時間と不在期間をモデル化するために,生存関数に依存するプロセスを提案する。
GraSSP: Graph Representation with Sequential Survival Processは、断続的なエッジパーシスタントネットワークを明示的に考慮した、汎用的な新しいモデルを形成する。
我々は、リンク予測やネットワーク補完など、様々な下流タスクにおいて開発されたフレームワークを定量的に評価する。
- 参考スコア(独自算出の注目度): 0.17265013728931003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past two decades, there has been a tremendous increase in the growth
of representation learning methods for graphs, with numerous applications
across various fields, including bioinformatics, chemistry, and the social
sciences. However, current dynamic network approaches focus on discrete-time
networks or treat links in continuous-time networks as instantaneous events.
Therefore, these approaches have limitations in capturing the persistence or
absence of links that continuously emerge and disappear over time for
particular durations. To address this, we propose a novel stochastic process
relying on survival functions to model the durations of links and their
absences over time. This forms a generic new likelihood specification
explicitly accounting for intermittent edge-persistent networks, namely GraSSP:
Graph Representation with Sequential Survival Process. We apply the developed
framework to a recent continuous time dynamic latent distance model
characterizing network dynamics in terms of a sequence of piecewise linear
movements of nodes in latent space. We quantitatively assess the developed
framework in various downstream tasks, such as link prediction and network
completion, demonstrating that the developed modeling framework accounting for
link persistence and absence well tracks the intrinsic trajectories of nodes in
a latent space and captures the underlying characteristics of evolving network
structure.
- Abstract(参考訳): 過去20年間で、グラフの表現学習の方法が大幅に増加しており、バイオインフォマティクス、化学、社会科学など様々な分野に応用されている。
しかし、現在の動的ネットワークアプローチは離散時間ネットワークに焦点を当てたり、連続時間ネットワーク内のリンクを瞬時に扱う。
したがって、これらのアプローチは、特定の期間にわたって継続的に出現し、消えていくリンクの持続性や欠如を捉えるのに制限がある。
そこで本稿では,リンクの持続時間とその欠如をモデル化するために,生存関数に依存する新しい確率過程を提案する。
これは、断続的なエッジパーシスタントネットワーク、すなわち GraSSP: Graph Representation with Sequential Survival Process を明示的に考慮する、汎用的な新しい可能性仕様を形成する。
本稿では,最近の連続時間動的潜在距離モデルに適用し,潜在空間におけるノードの断片的線形移動の列の観点からネットワークダイナミクスを特徴付ける。
本稿では,リンク予測やネットワーク補完などの下流タスクにおいて開発されたフレームワークを定量的に評価し,リンク持続性や不在性を考慮したモデリングフレームワークが潜在空間におけるノードの内在的軌跡を適切に追跡し,ネットワーク構造の基盤となる特徴を捉えることを実証する。
関連論文リスト
- Learning Time-aware Graph Structures for Spatially Correlated Time
Series Forecasting [30.93275270960829]
本稿では時系列間の時間認識相関を抽出する時間認識グラフ構造学習(TagSL)を提案する。
グラフ畳み込みに基づくGated Recurrent Unit (GCGRU) も提案する。
最後に,TagSLとGCGRUを組み合わせたTGCRN(Time-aware Graph Convolutional Recurrent Network)という統合フレームワークを導入し,マルチステップ時間予測のためのエンコーダデコーダアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-12-27T04:23:43Z) - TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based
Recommendations [5.602191038593571]
テンポラルグラフニューラルネットワーク(TempGNN)は、複雑なアイテム遷移における構造的・時間的ダイナミクスを捉えるための一般的なフレームワークである。
TempGNNは、2つの現実世界のEコマースデータセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-20T03:13:10Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-15T08:17:18Z) - Piecewise-Velocity Model for Learning Continuous-time Dynamic Node
Representations [0.0]
連続時間動的ネットワーク表現のためのPiecewise-Veable Model (PiVeM)。
超低次元空間において、PiVeMはネットワーク構造と力学をうまく表現できることを示す。
リンク予測などの下流タスクでは、関連する最先端メソッドよりも優れています。
論文 参考訳(メタデータ) (2022-12-23T13:57:56Z) - Graph-Survival: A Survival Analysis Framework for Machine Learning on
Temporal Networks [14.430635608400982]
連続時間時間ネットワークのための生成モデルを設計するためのフレームワークを提案する。
本稿では,本フレームワーク内のモデルに適合する手法と,所望の特性を持つ新しい時間ネットワークをシミュレートするアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-03-14T16:40:57Z) - 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) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-25T08:45:14Z) - WalkingTime: Dynamic Graph Embedding Using Temporal-Topological Flows [3.8073142980733]
本稿では,時間処理の基本的な違いに基づいて,新しい埋め込みアルゴリズムWalkingTimeを提案する。
我々は、時間的および位相的局所的な相互作用からなるフローを、時間的属性の離散化やアライメントを必要とせずに、プリミティブとして保持する。
論文 参考訳(メタデータ) (2021-11-22T00:04:02Z) - Continuity-Discrimination Convolutional Neural Network for Visual Object
Tracking [150.51667609413312]
本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。
この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。
不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
論文 参考訳(メタデータ) (2021-04-18T06:35:03Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳(メタデータ) (2021-02-15T00:57:28Z) - Continuous-in-Depth Neural Networks [107.47887213490134]
まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。
次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。
ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
論文 参考訳(メタデータ) (2020-08-05T22:54:09Z)
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。