論文の概要: A Comprehensive Survey of Dynamic Graph Neural Networks: Models, Frameworks, Benchmarks, Experiments and Challenges

• arxiv url: http://arxiv.org/abs/2405.00476v1
• Date: Wed, 1 May 2024 12:23:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 15:47:41.648339
• Title: A Comprehensive Survey of Dynamic Graph Neural Networks: Models, Frameworks, Benchmarks, Experiments and Challenges
• Title（参考訳）: 動的グラフニューラルネットワークに関する包括的調査:モデル、フレームワーク、ベンチマーク、実験、課題
• Authors: ZhengZhao Feng, Rui Wang, TianXing Wang, Mingli Song, Sai Wu, Shuibing He,
• Abstract要約: 動的グラフニューラルネットワーク(GNN)は、動的グラフの構造的、時間的、文脈的関係を同時に捉えるために、時間的情報をGNNと組み合わせる。 この領域では、様々なアプローチのパフォーマンス、強み、限界を評価する包括的な調査が必要である。 本稿では、新しい分類法、12の動的GNNトレーニングフレームワーク、一般的なベンチマークを備えた81の動的GNNモデルについて述べる。
• 参考スコア（独自算出の注目度）: 39.07500606785974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic Graph Neural Networks (GNNs) combine temporal information with GNNs to capture structural, temporal, and contextual relationships in dynamic graphs simultaneously, leading to enhanced performance in various applications. As the demand for dynamic GNNs continues to grow, numerous models and frameworks have emerged to cater to different application needs. There is a pressing need for a comprehensive survey that evaluates the performance, strengths, and limitations of various approaches in this domain. This paper aims to fill this gap by offering a thorough comparative analysis and experimental evaluation of dynamic GNNs. It covers 81 dynamic GNN models with a novel taxonomy, 12 dynamic GNN training frameworks, and commonly used benchmarks. We also conduct experimental results from testing representative nine dynamic GNN models and three frameworks on six standard graph datasets. Evaluation metrics focus on convergence accuracy, training efficiency, and GPU memory usage, enabling a thorough comparison of performance across various models and frameworks. From the analysis and evaluation results, we identify key challenges and offer principles for future research to enhance the design of models and frameworks in the dynamic GNNs field.
• Abstract（参考訳）: 動的グラフニューラルネットワーク(GNN)は、時間情報とGNNを組み合わせることで、動的グラフの構造的、時間的、文脈的関係を同時にキャプチャし、様々なアプリケーションの性能を向上させる。 動的GNNの需要が拡大するにつれて、さまざまなアプリケーションニーズに対応するために、多くのモデルとフレームワークが登場している。 この領域では、様々なアプローチのパフォーマンス、強み、限界を評価する包括的な調査が必要である。 本稿では、動的GNNの徹底的な比較分析と実験的評価を提供することにより、このギャップを埋めることを目的とする。 81の動的GNNモデル、新しい分類法、12の動的GNNトレーニングフレームワーク、そして一般的に使用されるベンチマークをカバーしている。 また、6つの標準グラフデータセット上で、9つの動的GNNモデルと3つのフレームワークの試験結果についても実験を行った。 評価指標は収束精度、トレーニング効率、GPUメモリ使用量に重点を置いており、さまざまなモデルやフレームワークのパフォーマンスを徹底的に比較することができる。 分析と評価の結果から,動的GNN分野におけるモデルとフレームワークの設計を強化するための重要な課題を特定し,今後の研究の原則を提供する。

関連論文リスト

• Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
  グラフ機械学習のための総合的なベンチマークフレームワークを導入する。 我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。 その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
  論文  参考訳（メタデータ） (2024-06-04T20:40:06Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• A survey of dynamic graph neural networks [26.162035361191805]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから効果的にマイニングし学習するための強力なツールとして登場した。 本稿では,基本的な概念,鍵となる技術,そして最先端の動的GNNモデルについて概観する。
  論文  参考訳（メタデータ） (2024-04-28T15:07:48Z)
• Towards Causal Classification: A Comprehensive Study on Graph Neural Networks [9.360596957822471]
  グラフ構造化データを処理するグラフニューラルネットワーク(GNN)は因果解析の可能性を拡大した。 我々の研究は、9つのベンチマークグラフ分類モデルに展開し、7つのデータセットでその強度と汎用性をテストした。 本研究は,多種多様なデータ中心分野におけるGNNの理解と実用化の促進に有効である。
  論文  参考訳（メタデータ） (2024-01-27T15:35:05Z)
• GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
  本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。 本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
  論文  参考訳（メタデータ） (2023-10-23T05:51:59Z)
• Characterizing the Efficiency of Graph Neural Network Frameworks with a Magnifying Glass [10.839902229218577]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフ関連学習タスクの成功により、大きな注目を集めている。 近年のGNNは,大規模グラフ上でのGNNのミニバッチトレーニングのために,異なるグラフサンプリング手法を用いて開発されている。 グリーンコンピューティングの観点から、フレームワークがどの程度"エコフレンドリー"であるかは不明だ。
  論文  参考訳（メタデータ） (2022-11-06T04:22:19Z)
• ROLAND: Graph Learning Framework for Dynamic Graphs [75.96510058864463]
  グラフニューラルネットワーク(GNN)は多くの実世界の静的グラフに適用されている。 既存の動的GNNには静的GNNの最先端設計が組み込まれていない。 実世界の動的グラフのための効果的なグラフ表現学習フレームワーク ROLAND を提案する。
  論文  参考訳（メタデータ） (2022-08-15T14:51:47Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Principal Neighbourhood Aggregation for Graph Nets [4.339839287869653]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ上の様々な予測タスクに有効なモデルであることが示されている。 表現力に関する最近の研究は同型タスクと可算特徴空間に焦点を当てている。 我々はこの理論フレームワークを拡張し、現実世界の入力領域で定期的に発生する連続的な特徴を含める。
  論文  参考訳（メタデータ） (2020-04-12T23:30:00Z)

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。