Fugu-MT 論文翻訳(概要): Temporal Link Prediction Using Graph Embedding Dynamics

論文の概要: Temporal Link Prediction Using Graph Embedding Dynamics

arxiv url: http://arxiv.org/abs/2401.07516v1
Date: Mon, 15 Jan 2024 07:35:29 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 17:44:02.852051
Title: Temporal Link Prediction Using Graph Embedding Dynamics
Title（参考訳）: グラフ埋め込みダイナミクスを用いた時間リンク予測
Authors: Sanaz Hasanzadeh Fard, Mohammad Ghassemi
Abstract要約: 動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graphs are a powerful representation tool in machine learning applications, with link prediction being a key task in graph learning. Temporal link prediction in dynamic networks is of particular interest due to its potential for solving complex scientific and real-world problems. Traditional approaches to temporal link prediction have focused on finding the aggregation of dynamics of the network as a unified output. In this study, we propose a novel perspective on temporal link prediction by defining nodes as Newtonian objects and incorporating the concept of velocity to predict network dynamics. By computing more specific dynamics of each node, rather than overall dynamics, we improve both accuracy and explainability in predicting future connections. We demonstrate the effectiveness of our approach using two datasets, including 17 years of co-authorship data from PubMed. Experimental results show that our temporal graph embedding dynamics approach improves downstream classification models' ability to predict future collaboration efficacy in co-authorship networks by 17.34% (AUROC improvement relative to the baseline model). Furthermore, our approach offers an interpretable layer over traditional approaches to address the temporal link prediction problem.
Abstract（参考訳）: グラフは機械学習アプリケーションにおいて強力な表現ツールであり、リンク予測はグラフ学習の重要なタスクである。動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に興味深い。時間的リンク予測の伝統的なアプローチは、ネットワークのダイナミクスを統一的な出力として集約することに焦点を当ててきた。本研究では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。各ノードのより具体的なダイナミクスを計算することにより、将来の接続予測における精度と説明可能性の両方を改善することができる。 PubMedの17年間の共著者データを含む2つのデータセットを用いたアプローチの有効性を示す。実験結果から,我々の時間グラフ埋め込み動的手法は,下流分類モデルのコオーサシップネットワークにおける今後の協調効果を予測する能力を17.34%向上させる(ベースラインモデルに対するAUROCの改善)。さらに,本手法は時間的リンク予測問題に対処する従来の手法よりも解釈可能な層を提供する。

関連論文リスト

SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
論文参考訳（メタデータ） (2024-05-29T13:09:33Z)
A novel hybrid time-varying graph neural network for traffic flow forecasting [3.6623539239888556]
インテリジェント交通システムの効率化には,リアルタイムかつ正確な交通流予測が不可欠である。従来のグラフニューラルネットワーク(GNN)は、都市道路網における交通ノード間の空間的相関を記述するために用いられる。我々は交通流予測のための新しいハイブリッド時変グラフニューラルネットワーク(HTVGNN)を提案している。
論文参考訳（メタデータ） (2024-01-17T07:21:36Z)
Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation [0.6650227510403052]
高速道路交通における交通流予測を改善するために,注意に基づく動的グラフ畳み込みリカレントニューラルネットワーク(ADG-N)を提案する。グラフ畳み込み演算のオーバーフィッティングを低減するために、高い相対ノードを強調する専用ゲートカーネルが完全なグラフ上に導入された。
論文参考訳（メタデータ） (2023-09-13T13:57:21Z)
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)
EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文参考訳（メタデータ） (2023-03-22T06:35:08Z)
AoI-based Temporal Attention Graph Neural Network for Popularity Prediction and Content Caching [9.16219929722585]
情報中心ネットワーク(ICN)は、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持することを目的としている。本稿では,2部グラフに埋め込まれた構造パターンと時間パターンを協調的に学習するために,有効な動的グラフニューラルネットワーク(DGNN)を利用する。また,情報時代(AoI)に基づくアテンション機構を提案し,貴重な歴史的情報を抽出する。
論文参考訳（メタデータ） (2022-08-18T02:57:17Z)
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)
Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
論文参考訳（メタデータ） (2021-07-02T08:20:06Z)
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 a Bernoulli Autoregression Framework for Link Discovery and Prediction [1.9290392443571387]
本稿では,自己回帰過程のベルヌーイ一般化に基づく二項列の動的予測フレームワークを提案する。本稿では,さらに多くの補助的ネットワークを介し,付加的な情報を利用する新たな問題を提案する。既存の作業とは対照的に、勾配に基づく推定アプローチは非常に効率的で、数百万のノードを持つネットワークにスケールすることができる。
論文参考訳（メタデータ） (2020-07-23T05:58:22Z)
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)

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。