Fugu-MT 論文翻訳(概要): Machine Learning on Dynamic Graphs: A Survey on Applications

論文の概要: Machine Learning on Dynamic Graphs: A Survey on Applications

arxiv url: http://arxiv.org/abs/2401.08147v1
Date: Tue, 16 Jan 2024 06:40:24 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 14:47:26.283127
Title: Machine Learning on Dynamic Graphs: A Survey on Applications
Title（参考訳）: 動的グラフによる機械学習: アプリケーションに関する調査
Authors: Sanaz Hasanzadeh Fard
Abstract要約: 本稿では、動的グラフ学習のより探索の少ない応用について概説する。本研究は,多様な領域にまたがる課題に対処する上で,動的グラフ上での機械学習の可能性を明らかにする。
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: Dynamic graph learning has gained significant attention as it offers a powerful means to model intricate interactions among entities across various real-world and scientific domains. Notably, graphs serve as effective representations for diverse networks such as transportation, brain, social, and internet networks. Furthermore, the rapid advancements in machine learning have expanded the scope of dynamic graph applications beyond the aforementioned domains. In this paper, we present a review of lesser-explored applications of dynamic graph learning. This study revealed the potential of machine learning on dynamic graphs in addressing challenges across diverse domains, including those with limited levels of association with the field.
Abstract（参考訳）: 動的グラフ学習は、様々な実世界および科学領域にわたるエンティティ間の複雑なインタラクションをモデル化する強力な手段を提供するため、大きな注目を集めている。特に、グラフは輸送、脳、社会、インターネットネットワークといった多様なネットワークの効果的な表現として機能する。さらに、機械学習の急速な進歩は、前述の領域を越えて動的グラフアプリケーションの範囲を広げた。本稿では,動的グラフ学習のより探索の少ない応用について概説する。本研究は,様々な領域にまたがる課題に対する動的グラフ上での機械学習の可能性を明らかにするものである。

関連論文リスト

Information propagation dynamics in Deep Graph Networks [1.8130068086063336]
Deep Graph Networks(DGN)は、構造化情報の処理と学習が可能なディープラーニングモデルのファミリとして登場した。この論文は、静的グラフと動的グラフのためのDGNの内部の情報伝達のダイナミクスを考察し、動的システムとしての設計に焦点をあてる。
論文参考訳（メタデータ） (2024-10-14T12:55:51Z)
Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文参考訳（メタデータ） (2024-02-26T07:52:40Z)
Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文参考訳（メタデータ） (2023-10-18T09:31:21Z)
Dynamic Graph Representation Learning with Neural Networks: A Survey [0.0]
動的グラフ表現は新しい機械学習問題として現れた。本稿では,動的グラフ学習に関連する問題とモデルをレビューすることを目的とする。
論文参考訳（メタデータ） (2023-04-12T09:39:17Z)
Everything is Connected: Graph Neural Networks [0.0]
この短い調査は、グラフ表現学習の領域において、読者が重要な概念を同化できるようにすることを目的としている。この短い調査の主な目的は、読者がその領域における重要な概念を同化させ、関連する分野との適切なコンテキストにおける位置グラフ表現学習を可能にすることである。
論文参考訳（メタデータ） (2023-01-19T18:09:43Z)
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)
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)
A Survey on Embedding Dynamic Graphs [0.0]
我々は動的グラフ埋め込みを概観し,その基礎と最近の進歩について論じる。問題設定に焦点をあて,動的グラフ埋め込みの形式的定義を導入する。我々は、埋め込み、トポロジ的進化による分類、特徴進化、ネットワーク上のプロセスによって包含される様々な動的挙動を探索する。
論文参考訳（メタデータ） (2021-01-04T20:35:26Z)
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)
Temporal Graph Networks for Deep Learning on Dynamic Graphs [4.5158585619109495]
時系列グラフネットワーク(TGN)は,時系列イベントのシーケンスとして表される動的グラフの深層学習のための汎用的で効率的なフレームワークである。メモリモジュールとグラフベースの演算子を組み合わせた新しい組み合わせにより、TGNは、計算効率が向上した以前のアプローチを大幅に上回ることができる。
論文参考訳（メタデータ） (2020-06-18T16:06:18Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。