論文の概要: Expressive Power of Temporal Message Passing

• arxiv url: http://arxiv.org/abs/2408.09918v1
• Date: Mon, 19 Aug 2024 11:47:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 16:35:10.994477
• Title: Expressive Power of Temporal Message Passing
• Title（参考訳）: 時間的メッセージパッシングの表現力
• Authors: Przemysław Andrzej Wałęga, Michael Rawson,
• Abstract要約: グラフニューラルネットワーク(GNN)は時間的設定に適応しており、しばしばGNNから知られているメッセージパッシング機構の時間的バージョンを使用している。 本稿では,グローバルかつ局所的な時間的メッセージパッシング機構が任意の時間的グラフに適用した場合に比較不可能な表現力を持つことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) have recently been adapted to temporal settings, often employing temporal versions of the message-passing mechanism known from GNNs. We divide temporal message passing mechanisms from literature into two main types: global and local, and establish Weisfeiler-Leman characterisations for both. This allows us to formally analyse expressive power of temporal message-passing models. We show that global and local temporal message-passing mechanisms have incomparable expressive power when applied to arbitrary temporal graphs. However, the local mechanism is strictly more expressive than the global mechanism when applied to colour-persistent temporal graphs, whose node colours are initially the same in all time points. Our theoretical findings are supported by experimental evidence, underlining practical implications of our analysis.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は最近、時間的設定に適応しており、しばしばGNNから知られているメッセージパッシング機構の時間的バージョンを使用している。 我々は、時間的メッセージパッシング機構を、グローバルとローカルの2つの主要なタイプに分割し、Weisfeiler-Lemanの特徴付けを確立する。 これにより、時間的メッセージパッシングモデルの表現力を分析することができる。 本稿では,グローバルかつ局所的な時間的メッセージパッシング機構が任意の時間的グラフに適用した場合に比較不可能な表現力を持つことを示す。 しかしながら、局所的なメカニズムは、すべての時間点においてノード色が最初は同じである色の持続時間グラフに適用する場合、大域的なメカニズムよりも厳密に表現できる。 我々の理論的な知見は、我々の分析の実際的な意味を裏付ける実験的な証拠によって裏付けられている。

関連論文リスト

• Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
  グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。 そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。 我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
  論文  参考訳（メタデータ） (2024-05-27T13:36:50Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• TempME: Towards the Explainability of Temporal Graph Neural Networks via Motif Discovery [15.573944320072284]
  本稿では、時間グラフニューラルネットワーク(TGNN)の予測を導く最も重要な時間的モチーフを明らかにするTempMEを提案する。 TempMEは、最も相互作用に関連するモチーフを抽出し、含んでいる情報の量を最小化し、説明の空間性と簡潔性を維持する。 実験では、TempMEの優位性が検証され、6つの実世界のデータセットで説明精度が最大8.21%向上し、現在のTGNNの平均精度が最大22.96%向上した。
  論文  参考訳（メタデータ） (2023-10-30T07:51:41Z)
• How Expressive are Spectral-Temporal Graph Neural Networks for Time Series Forecasting? [46.95117922583253]
  我々は、スペクトル時間GNNの表現力を高める理論的枠組みを確立する。 その結果,線形スペクトル時間GNNは軽度仮定の下で普遍的であることがわかった。 本稿では,TGC(Temporal Graph GegenConv)というシンプルなインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-05-11T05:56:38Z)
• 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)
• Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
  時相グラフニューラルネットワークは時系列予測に有効であることが示されている。 本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。 このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-08T14:18:56Z)
• Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
  時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。 ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。 実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-30T18:24:13Z)
• 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)
• Spectral Temporal Graph Neural Network for Trajectory Prediction [24.212525264346887]
  周囲のエージェントのコンテキスト環境と正確な動き予測を効果的に理解することは、自律走行車や社会移動ロボットの開発に不可欠である。 従来の研究は、周波数領域の手がかりを十分に活用せず、時間領域における空間情報と時間情報の活用に重点を置いていた。 本稿では,周波数領域におけるエージェント間相関と時間依存性を同時に捉えることのできるSpectral Temporal Graph Neural Network (SpecTGNN)を提案する。
  論文  参考訳（メタデータ） (2021-06-05T16:51:54Z)
• ITeM: Independent Temporal Motifs to Summarize and Compare Temporal Networks [0.900850049678444]
  テンポラルネットワークは、システムの時間的進化がエンティティや関係の構造と同様に理解することが重要である一般的なネットワークの特殊化である。 我々は、異なるドメインから時間グラフを特徴付けるために、独立時間モチーフ(ITeM)を提示する。 我々は,ITeMが他のモチーフ周波数ベースアプローチよりも精度が高いことを示した。
  論文  参考訳（メタデータ） (2020-02-19T17:47:46Z)

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。