論文の概要: Predicting the structure of dynamic graphs
- arxiv url: http://arxiv.org/abs/2401.04280v1
- Date: Mon, 8 Jan 2024 23:25:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 18:24:49.966991
- Title: Predicting the structure of dynamic graphs
- Title(参考訳): 動的グラフの構造予測
- Authors: Sevvandi Kandanaarachchi
- Abstract要約: 時系列法を用いて将来の時間点におけるノード次数予測を行い、フラックスバランス解析と組み合わせて将来のグラフの構造を求める。
合成および実データを用いて本手法の評価を行い,その実用性と適用性を示す。
- 参考スコア(独自算出の注目度): 1.6574413179773761
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dynamic graph embeddings, inductive and incremental learning facilitate
predictive tasks such as node classification and link prediction. However,
predicting the structure of a graph at a future time step from a time series of
graphs, allowing for new nodes has not gained much attention. In this paper, we
present such an approach. We use time series methods to predict the node degree
at future time points and combine it with flux balance analysis -- a linear
programming method used in biochemistry -- to obtain the structure of future
graphs. Furthermore, we explore the predictive graph distribution for different
parameter values. We evaluate this method using synthetic and real datasets and
demonstrate its utility and applicability.
- Abstract(参考訳): 動的グラフ埋め込み、インダクティブ学習、インクリメンタル学習は、ノード分類やリンク予測のような予測タスクを促進する。
しかし、時系列グラフから将来の時間ステップでグラフの構造を予測することは、新しいノードを許容することはあまり注目されていない。
本稿では,そのようなアプローチを提案する。
本研究では,今後の時間点におけるノード次数予測に時系列法を用い,生化学で使用される線形プログラム法であるフラックスバランス解析と組み合わせて将来のグラフの構造を求める。
さらに,異なるパラメータ値に対する予測グラフ分布について検討する。
本手法を合成および実データを用いて評価し,その有用性と適用性を示す。
関連論文リスト
- Graph-Level Embedding for Time-Evolving Graphs [24.194795771873046]
グラフ表現学習(ネットワーク埋め込みとも呼ばれる)は、様々なレベルの粒度で広く研究されている。
本稿では,このギャップに対処する時間グラフレベルの埋め込み手法を提案する。
論文 参考訳(メタデータ) (2023-06-01T01:50:37Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳(メタデータ) (2023-02-06T16:26:29Z) - Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。
本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。
リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2022-12-31T10:07:19Z) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳(メタデータ) (2022-06-28T02:10:05Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳(メタデータ) (2022-06-23T20:12:51Z) - Sparse Graph Learning from Spatiotemporal Time Series [16.427698929775023]
本稿では,グラフ上の分布として関係依存を学習するグラフ学習フレームワークを提案する。
提案手法は,エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントと同様に,スタンドアローンのグラフ識別手法として利用できることを示す。
論文 参考訳(メタデータ) (2022-05-26T17:02:43Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳(メタデータ) (2022-04-01T10:01:37Z) - Online Graph Learning in Dynamic Environments [5.222057229549077]
本稿では,動的環境におけるシーケンシャルデータの場合の学習グラフに焦点を当てる。
逐次データに対して,従来のバッチグラフ学習手法のオンライン版を開発する。
論文 参考訳(メタデータ) (2021-10-11T06:24:30Z) - Persistence Homology for Link Prediction: An Interactive View [15.068319518015421]
リンク予測は、グラフ構造データにとって重要な学習タスクです。
2つのノード間の相互作用を特徴付ける新しいトポロジカルアプローチを提案する。
また、異なるベンチマークで最新技術を上回るグラフニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2021-02-20T04:33:59Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z)
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。