Fugu-MT 論文翻訳(概要): Predicting the structure of dynamic graphs

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

Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
論文参考訳（メタデータ） (2024-10-16T00:01:31Z)
Benchmarking Graph Conformal Prediction: Empirical Analysis, Scalability, and Theoretical Insights [6.801587574420671]
コンフォーマル予測は、機械学習モデルに関連する不確実性を定量化するために、ますます人気が高まっている。グラフの不確実性定量化の最近の研究は、共形グラフ予測のためのこのアプローチに基づいている。文献における設計選択を分析し、既存の手法に関連するトレードオフについて議論する。
論文参考訳（メタデータ） (2024-09-26T23:13:51Z)
Sparsity exploitation via discovering graphical models in multi-variate time-series forecasting [1.2762298148425795]
本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
論文参考訳（メタデータ） (2023-06-29T16:48:00Z)
Time-aware Graph Structure Learning via Sequence Prediction on Temporal Graphs [10.034072706245544]
時系列グラフのシーケンス予測による時間認識型グラフ構造学習(TGSL)手法を提案する。特に、タイムアウェアなコンテキスト埋め込みを予測し、Gumble-Top-Kを使用して、このコンテキスト埋め込みに最も近い候補エッジを選択する。時間リンク予測ベンチマークの実験は、TGSLがTGATやGraphMixerのような一般的なTGNに対して大きな利益をもたらすことを示した。
論文参考訳（メタデータ） (2023-06-13T11:34:36Z)
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)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
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)
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 Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文参考訳（メタデータ） (2022-04-15T04:02:06Z)
GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。