論文の概要: Efficient Neural Common Neighbor for Temporal Graph Link Prediction

• arxiv url: http://arxiv.org/abs/2406.07926v1
• Date: Wed, 12 Jun 2024 06:45:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 18:05:32.532192
• Title: Efficient Neural Common Neighbor for Temporal Graph Link Prediction
• Title（参考訳）: 時間グラフリンク予測のための効率的なニューラルコモンネバー
• Authors: Xiaohui Zhang, Yanbo Wang, Xiyuan Wang, Muhan Zhang,
• Abstract要約: 本稿では、時間グラフにおけるリンク予測のためのNCN(Neural Common Neighbor)の時間バージョンであるTNCNを提案する。 TNCNは、各ノードの時間的隣接辞書を動的に更新し、ソースとターゲットノード間のマルチホップ共通辞書を使用して、より効果的なペアワイズ表現を学習する。 5つの大規模実世界のデータセットでモデルを検証し、それらのうち3つで新たな最先端のパフォーマンスを実現することを発見した。
• 参考スコア（独自算出の注目度）: 32.41660611941389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal graphs are ubiquitous in real-world scenarios, such as social network, trade and transportation. Predicting dynamic links between nodes in a temporal graph is of vital importance. Traditional methods usually leverage the temporal neighborhood of interaction history to generate node embeddings first and then aggregate the source and target node embeddings to predict the link. However, such methods focus on learning individual node representations, but overlook the pairwise representation learning nature of link prediction and fail to capture the important pairwise features of links such as common neighbors (CN). Motivated by the success of Neural Common Neighbor (NCN) for static graph link prediction, we propose TNCN, a temporal version of NCN for link prediction in temporal graphs. TNCN dynamically updates a temporal neighbor dictionary for each node, and utilizes multi-hop common neighbors between the source and target node to learn a more effective pairwise representation. We validate our model on five large-scale real-world datasets from the Temporal Graph Benchmark (TGB), and find that it achieves new state-of-the-art performance on three of them. Additionally, TNCN demonstrates excellent scalability on large datasets, outperforming popular GNN baselines by up to 6.4 times in speed. Our code is available at https: //github.com/GraphPKU/TNCN.
• Abstract（参考訳）: テンポラルグラフは、ソーシャルネットワーク、貿易、交通といった現実世界のシナリオにおいてユビキタスである。 時間グラフ内のノード間の動的リンクを予測することは極めて重要である。 従来の手法では、インタラクション履歴の時間的近傍を利用してまずノード埋め込みを生成し、それからソースとターゲットノードの埋め込みを集約してリンクを予測する。 しかし、これらの手法は個々のノード表現の学習に重点を置いているが、リンク予測のペアワイズ表現学習の性質を見落とし、CN(Common neighbors)のようなリンクの重要なペアワイズ特徴を捉えることができない。 静的グラフリンク予測におけるNeural Common Neighbor (NCN) の成功により、時間グラフにおけるリンク予測のためのNCNの時間バージョンである TNCN を提案する。 TNCNは、各ノードの時間的隣接辞書を動的に更新し、ソースとターゲットノード間のマルチホップ共通辞書を使用して、より効果的なペアワイズ表現を学習する。 我々は,TGB(Temporal Graph Benchmark)から得られた5つの大規模実世界のデータセットに対して,本モデルの有効性を検証する。 さらに、TNCNは大規模なデータセット上で優れたスケーラビリティを示し、人気の高いGNNベースラインを最大6.4倍の速度で上回っている。 私たちのコードはhttps: //github.com/GraphPKU/TNCNで利用可能です。

関連論文リスト

• Commute Graph Neural Networks [7.143879014059894]
  我々は,ノードワイズ通勤時間をメッセージパッシング方式にシームレスに統合するアプローチであるCommutute Graph Neural Networks (CGNN)を導入する。 CGNNは、新しく定式化されたラプラシアングラフを用いて通勤時間を計算するための効率的な方法である。 これによりCGNNは、ダイグラフの相互非対称関係を直接キャプチャできる。
  論文  参考訳（メタデータ） (2024-06-30T10:53:40Z)
• Edge Conditional Node Update Graph Neural Network for Multi-variate Time Series Anomaly Detection [35.299242563565315]
  エッジ条件付きノード更新グラフニューラルネットワーク(ECNU-GNN)を導入する。 我々のモデルはエッジ条件付きノード更新モジュールを備えており、接続されたエッジに基づいてソースノード表現を動的に変換し、ターゲットノードを適切に表現する。 実世界の3つのデータセット(SWaT, WADI, PSM)の性能を検証した。
  論文  参考訳（メタデータ） (2024-01-25T00:47:44Z)
• 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)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Node-wise Localization of Graph Neural Networks [52.04194209002702]
  グラフニューラルネットワーク(GNN)は、グラフ上の表現学習モデルの強力なファミリーとして出現する。 グラフのグローバルな側面とローカルな側面の両方を考慮し,GNNのノードワイドなローカライゼーションを提案する。 我々は,4つのベンチマークグラフに対して広範な実験を行い,最先端のGNNを超える有望な性能を継続的に獲得する。
  論文  参考訳（メタデータ） (2021-10-27T10:02:03Z)
• Missing Data Estimation in Temporal Multilayer Position-aware Graph Neural Network (TMP-GNN) [5.936402320555635]
  TMP-GNN(Temporal Multilayered Position-aware Graph Neural Network)は,動的グラフに対するノード埋め込み手法である。 時間的多層グラフの2つの異なる表現に対するTMP-GNNの性能評価を行った。 我々は、TMP-GNNをディープラーニングフレームワークに組み込んで、欠落したデータを推定し、その性能を対応する有能なGNNと比較する。
  論文  参考訳（メタデータ） (2021-08-07T08:32:40Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。