Fugu-MT 論文翻訳(概要): Gaussian Embedding of Temporal Networks

論文の概要: Gaussian Embedding of Temporal Networks

arxiv url: http://arxiv.org/abs/2405.17253v1
Date: Mon, 27 May 2024 15:07:57 GMT
ステータス: 処理完了
システム内更新日: 2024-05-28 14:53:29.016639
Title: Gaussian Embedding of Temporal Networks
Title（参考訳）: 時空ネットワークのガウス埋め込み
Authors: Raphaël Romero, Jefrey Lijffijt, Riccardo Rastelli, Marco Corneli, Tijl De Bie,
Abstract要約: TGNE (textbfTemporal textbfGaussian textbfNetwork textbfEmbedding)は、Latent Space Models (LSM)citeHoff2002および時間グラフ機械学習を介してネットワークの統計解析を橋渡しする。元のグラフを再構成し、不確実性をモデル化するTGNEの有効性を評価する。
参考スコア（独自算出の注目度）: 12.09704836128003
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Representing the nodes of continuous-time temporal graphs in a low-dimensional latent space has wide-ranging applications, from prediction to visualization. Yet, analyzing continuous-time relational data with timestamped interactions introduces unique challenges due to its sparsity. Merely embedding nodes as trajectories in the latent space overlooks this sparsity, emphasizing the need to quantify uncertainty around the latent positions. In this paper, we propose TGNE (\textbf{T}emporal \textbf{G}aussian \textbf{N}etwork \textbf{E}mbedding), an innovative method that bridges two distinct strands of literature: the statistical analysis of networks via Latent Space Models (LSM)\cite{Hoff2002} and temporal graph machine learning. TGNE embeds nodes as piece-wise linear trajectories of Gaussian distributions in the latent space, capturing both structural information and uncertainty around the trajectories. We evaluate TGNE's effectiveness in reconstructing the original graph and modelling uncertainty. The results demonstrate that TGNE generates competitive time-varying embedding locations compared to common baselines for reconstructing unobserved edge interactions based on observed edges. Furthermore, the uncertainty estimates align with the time-varying degree distribution in the network, providing valuable insights into the temporal dynamics of the graph. To facilitate reproducibility, we provide an open-source implementation of TGNE at \url{https://github.com/aida-ugent/tgne}.
Abstract（参考訳）: 低次元潜在空間における連続時間時間グラフのノードの表現は、予測から可視化まで幅広い応用がある。しかし、タイムスタンプ相互作用による連続時間関係データの解析は、その空間性によってユニークな課題をもたらす。単にノードを潜在空間の軌跡として埋め込むことは、この空間の空間性を見落とし、潜在位置に関する不確実性を定量化する必要性を強調している。本稿では,TGNE(\textbf{T}emporal \textbf{G}aussian \textbf{N}etwork \textbf{E}mbedding)を提案する。 TGNEはノードを潜在空間内のガウス分布の断片的線形軌跡として埋め込み、軌道上の構造情報と不確実性の両方をキャプチャする。元のグラフを再構成し、不確実性をモデル化するTGNEの有効性を評価する。その結果、TGNEは観測されたエッジに基づく未観測エッジの相互作用を再構築するための共通のベースラインと比較して、競合する時間変化の埋め込み位置を生成することを示した。さらに、不確実性推定は、ネットワーク内の時間変化度分布と一致し、グラフの時間的ダイナミクスに関する貴重な洞察を提供する。再現性を高めるため,TGNE のオープンソース実装を \url{https://github.com/aida-ugent/tgne} で提供する。

関連論文リスト

IMPaCT GNN: Imposing invariance with Message Passing in Chronological split Temporal Graphs [8.861995276194435]
本稿では,時系列分割によるグラフデータのドメイン適応問題に対処する。本稿では,時間グラフ構造から導出した現実的な仮定に基づいて不変性を付与するIMPaCTを提案する。 ogbn-mag グラフデータセット上での現在の SOTA 法と比較して,IMPaCT は3.8% の性能向上を実現していることを示す。
論文参考訳（メタデータ） (2024-11-17T04:23:25Z)
Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文参考訳（メタデータ） (2024-02-13T14:13:17Z)
Localised Adaptive Spatial-Temporal Graph Neural Network [17.707594255626216]
Adaptive Graph Sparsification (AGS) は、ASTGNNの局所化を極端に実現するグラフスカラー化アルゴリズムである。 ASTGNNの空間グラフは、テスト精度を低下させることなく99.5%以上のスペーサー化することができる。 ASTGNNの局所化は、大規模な時空間データに必要とされる重いオーバーヘッドを減らす可能性を秘めている。
論文参考訳（メタデータ） (2023-06-12T08:08:53Z)
Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
論文参考訳（メタデータ） (2023-05-30T03:55:37Z)
Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-04-15T08:17:18Z)
Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T14:27:27Z)
Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文参考訳（メタデータ） (2022-10-28T16:59:51Z)
Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文参考訳（メタデータ） (2022-06-07T09:08:35Z)
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)
Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文参考訳（メタデータ） (2021-10-06T16:08:44Z)

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。