論文の概要: Long Range Propagation on Continuous-Time Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2406.02740v1
• Date: Tue, 4 Jun 2024 19:42:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 22:58:01.789370
• Title: Long Range Propagation on Continuous-Time Dynamic Graphs
• Title（参考訳）: 連続時間動的グラフの長距離伝播
• Authors: Alessio Gravina, Giulio Lovisotto, Claudio Gallicchio, Davide Bacciu, Claas Grohnfeldt,
• Abstract要約: Continuous-Time Graph Anti-Symmetric Network (CTAN) は情報伝達の効率化を目的としている。 合成長範囲ベンチマークと実世界のベンチマークにおけるCTANの実証的性能は他の方法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 18.5534584418248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning Continuous-Time Dynamic Graphs (C-TDGs) requires accurately modeling spatio-temporal information on streams of irregularly sampled events. While many methods have been proposed recently, we find that most message passing-, recurrent- or self-attention-based methods perform poorly on long-range tasks. These tasks require correlating information that occurred "far" away from the current event, either spatially (higher-order node information) or along the time dimension (events occurred in the past). To address long-range dependencies, we introduce Continuous-Time Graph Anti-Symmetric Network (CTAN). Grounded within the ordinary differential equations framework, our method is designed for efficient propagation of information. In this paper, we show how CTAN's (i) long-range modeling capabilities are substantiated by theoretical findings and how (ii) its empirical performance on synthetic long-range benchmarks and real-world benchmarks is superior to other methods. Our results motivate CTAN's ability to propagate long-range information in C-TDGs as well as the inclusion of long-range tasks as part of temporal graph models evaluation.
• Abstract（参考訳）: 連続時間動的グラフ(C-TDG)の学習には、不規則にサンプリングされたイベントのストリーム上の時空間情報を正確にモデル化する必要がある。 近年、多くの手法が提案されているが、ほとんどのメッセージパッシング、再帰、自己アテンションに基づく手法は、長距離タスクでは不十分である。 これらのタスクは、現在の出来事から「遠く」に起こった情報、空間的に(高次のノード情報)または時間次元に沿って起こる情報(過去の出来事)を関連付ける必要がある。 長距離依存に対処するため,CTAN(Continuous-Time Graph Anti-Symmetric Network)を導入する。 本手法は, 情報伝達の効率化を目的として, 常微分方程式の枠組みを基礎として設計されている。 本稿ではCTANについて述べる。 一 理論的知見及び方法による長距離モデリング能力の確立 (II)合成長範囲ベンチマークや実世界のベンチマークにおける経験的性能は他の手法よりも優れている。 以上の結果から,CTANのC-TDGにおける長距離情報伝達能力と,時間グラフモデル評価の一部としての長距離タスクの活用が示唆された。

関連論文リスト

• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• DyGMamba: Efficiently Modeling Long-Term Temporal Dependency on Continuous-Time Dynamic Graphs with State Space Models [26.989676396289145]
  連続時間動的グラフ(CTDG)の学習モデルであるDyGMambaを提案する。 DyGMambaは、ほとんどのケースで最先端を実現していることを示す。
  論文  参考訳（メタデータ） (2024-08-08T18:25:14Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Boosting long-term forecasting performance for continuous-time dynamic graph networks via data augmentation [3.7549799938905104]
  本研究では、連続時間動的グラフネットワーク(CTDGN)における長期予測(LTF)に焦点を当てる。 我々は,CTDGNの中間層への埋め込みに不確実性を導入するために不確実性評価を行うプラグイン・アンド・プレイモジュールであるtextbfunderlineUncertainty underlineMixunderlineUp (UmmU)を提案する。 実世界の3つの動的グラフデータセットに関する包括的実験を行い、UmmUが長期予測を効果的に改善できることを実証した。
  論文  参考訳（メタデータ） (2023-04-12T10:05:07Z)
• Long-term Spatio-temporal Forecasting via Dynamic Multiple-Graph Attention [20.52864145999387]
  長期的テンソル時間予測(LSTF)は、空間的領域と時間的領域、文脈的情報、およびデータ固有のパターン間の長期的依存関係を利用する。 本稿では,各ノードのコンテキスト情報と長期駐車による時間的データ依存構造を表現する新しいグラフモデルを提案する。 提案手法は,LSTF予測タスクにおける既存のグラフニューラルネットワークモデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-04-23T06:51:37Z)
• Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
  低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。 時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。 我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
  論文  参考訳（メタデータ） (2022-04-10T22:24:11Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。