論文の概要: Dynamic Graph Transformer with Correlated Spatial-Temporal Positional Encoding
- arxiv url: http://arxiv.org/abs/2407.16959v1
- Date: Wed, 24 Jul 2024 02:56:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 14:53:14.778489
- Title: Dynamic Graph Transformer with Correlated Spatial-Temporal Positional Encoding
- Title(参考訳): 空間時間位置符号化を用いた動的グラフ変換器
- Authors: Zhe Wang, Sheng Zhou, Jiawei Chen, Zhen Zhang, Binbin Hu, Yan Feng, Chun Chen, Can Wang,
- Abstract要約: 連続時間動的グラフ(CTDG)における表現学習の基本的な要件は、近接性の適切な推定と保存である。
我々は,CTDGにおける効果的なノード学習のために,時間的近接性の進化を効率的に維持する新しいCorrelated Space-Temporal Positional representation (CorDGT)を提案する。
- 参考スコア(独自算出の注目度): 29.81572367536339
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning effective representations for Continuous-Time Dynamic Graphs (CTDGs) has garnered significant research interest, largely due to its powerful capabilities in modeling complex interactions between nodes. A fundamental and crucial requirement for representation learning in CTDGs is the appropriate estimation and preservation of proximity. However, due to the sparse and evolving characteristics of CTDGs, the spatial-temporal properties inherent in high-order proximity remain largely unexplored. Despite its importance, this property presents significant challenges due to the computationally intensive nature of personalized interaction intensity estimation and the dynamic attributes of CTDGs. To this end, we propose a novel Correlated Spatial-Temporal Positional encoding that incorporates a parameter-free personalized interaction intensity estimation under the weak assumption of the Poisson Point Process. Building on this, we introduce the Dynamic Graph Transformer with \Correlated Spatial-Temporal Positional Encoding (CorDGT), which efficiently retains the evolving spatial-temporal high-order proximity for effective node representation learning in CTDGs. Extensive experiments on seven small and two large-scale datasets demonstrate the superior performance and scalability of the proposed CorDGT.
- Abstract(参考訳): 連続時間動的グラフ(CTDG)の効果的な表現の学習は、ノード間の複雑な相互作用をモデル化する強力な能力のために、大きな研究の関心を集めている。
CTDGにおける表現学習の基本的かつ重要な要件は、近接性の適切な推定と保存である。
しかし、CTDGのスパースと進化特性のため、高次近傍に固有の時空間特性はほとんど探索されていない。
その重要性にもかかわらず、この性質は、パーソナライズされた相互作用強度の推定とCTDGの動的特性の計算的に集約的な性質により、重大な課題を呈している。
そこで本研究では,ポアソン点過程の弱い仮定の下で,パラメータフリーなパーソナライズされた相互作用強度推定を組み込んだ新しい空間-時間位置エンコーディングを提案する。
これに基づいて,CTDGにおける効率的なノード表現学習のための時空間高次近接性を効率的に維持する,Correlated Space-Temporal Positional Encoding (CorDGT) を用いた動的グラフ変換器を導入する。
大規模な7つのデータセットと2つのデータセットに対する大規模な実験は、提案したCorDGTの優れたパフォーマンスとスケーラビリティを示している。
関連論文リスト
- ScaDyG:A New Paradigm for Large-scale Dynamic Graph Learning [31.629956388962814]
ScaDyGは動的グラフネットワークのためのタイムアウェアなスケーラブルな学習パラダイムである。
12のデータセットの実験では、ScaDyGは、ノードレベルとリンクレベルの両方の下流タスクにおいて、互換性のあるパフォーマンス、あるいは他のSOTAメソッドよりも優れています。
論文 参考訳(メタデータ) (2025-01-27T12:39:16Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳(メタデータ) (2024-12-30T13:55:59Z) - STDHL: Spatio-Temporal Dynamic Hypergraph Learning for Wind Power Forecasting [5.003934238878358]
風力発電所における空間的特徴を表現するための動的ハイパーグラフ学習(STDHL)モデルを提案する。
STDHLモデルは、動的空間相関をモデル化するための新しい動的ハイパーグラフ畳み込み層と、チャネル非依存の時間モデルのためのグループ化された時間畳み込み層を組み込んでいる。
論文 参考訳(メタデータ) (2024-12-16T02:43:29Z) - A Cosmic-Scale Benchmark for Symmetry-Preserving Data Processing [1.96862953848735]
局所的なクラスタリング環境と長距離相関を同時にキャプチャするグラフニューラルネットワークの能力をベンチマークする。
現在のアーキテクチャでは、ドメイン固有のベースラインと同様に、長距離相関から情報を取得することができません。
論文 参考訳(メタデータ) (2024-10-27T16:58:48Z) - 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) - A Novel Spatiotemporal Coupling Graph Convolutional Network [0.18130068086063336]
本稿では,新しいグラフ・コンテンポラル・ネットワーク(GCN)に基づく動的推定器,すなわちスペース・カップリングGCN(SCG)モデルについて述べる。
その結果、SCGは最先端技術と比較して精度が高く、ユーザやクラウドサービスへの強力な表現を学習できることを示した。
論文 参考訳(メタデータ) (2024-08-09T02:02:01Z) - Label Deconvolution for Node Representation Learning on Large-scale
Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。
実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文 参考訳(メタデータ) (2023-09-26T13:09:43Z) - Learning in latent spaces improves the predictive accuracy of deep
neural operators [0.0]
L-DeepONetは標準のDeepONetの拡張であり、高次元PDE入力の潜在表現と適切なオートエンコーダで識別される出力関数を利用する。
L-DeepONetは時間依存PDEの精度と計算効率の両面で標準手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-04-15T17:13:09Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳(メタデータ) (2023-03-22T06:35:08Z) - DepthFormer: Exploiting Long-Range Correlation and Local Information for
Accurate Monocular Depth Estimation [50.08080424613603]
高精度な単分子深度推定には長距離相関が不可欠である。
我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。
提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
論文 参考訳(メタデータ) (2022-03-27T05:03:56Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳(メタデータ) (2021-04-15T14:32:12Z)
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。