Fugu-MT 論文翻訳(概要): Retrieval Augmented Generation for Dynamic Graph Modeling

論文の概要: Retrieval Augmented Generation for Dynamic Graph Modeling

arxiv url: http://arxiv.org/abs/2408.14523v1
Date: Mon, 26 Aug 2024 09:23:35 GMT
ステータス: 処理完了
システム内更新日: 2024-08-28 17:51:48.960430
Title: Retrieval Augmented Generation for Dynamic Graph Modeling
Title（参考訳）: 動的グラフモデリングのための検索拡張生成
Authors: Yuxia Wu, Yuan Fang, Lizi Liao,
Abstract要約: 動的グラフモデリングは、様々なアプリケーションで進化するパターンを分析するのに不可欠である。既存のアプローチは、しばしばグラフニューラルネットワークと時間モジュールを統合するか、生成シーケンスタスクとして動的グラフモデリングを再定義する。本稿では,動的グラフモデリング(RAG4DyG)フレームワークについて紹介する。
参考スコア（独自算出の注目度）: 15.09162213134372
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dynamic graph modeling is crucial for analyzing evolving patterns in various applications. Existing approaches often integrate graph neural networks with temporal modules or redefine dynamic graph modeling as a generative sequence task. However, these methods typically rely on isolated historical contexts of the target nodes from a narrow perspective, neglecting occurrences of similar patterns or relevant cases associated with other nodes. In this work, we introduce the Retrieval-Augmented Generation for Dynamic Graph Modeling (RAG4DyG) framework, which leverages guidance from contextually and temporally analogous examples to broaden the perspective of each node. This approach presents two critical challenges: (1) How to identify and retrieve high-quality demonstrations that are contextually and temporally analogous to dynamic graph samples? (2) How can these demonstrations be effectively integrated to improve dynamic graph modeling? To address these challenges, we propose RAG4DyG, which enriches the understanding of historical contexts by retrieving and learning from contextually and temporally pertinent demonstrations. Specifically, we employ a time- and context-aware contrastive learning module to identify and retrieve relevant cases for each query sequence. Moreover, we design a graph fusion strategy to integrate the retrieved cases, thereby augmenting the inherent historical contexts for improved prediction. Extensive experiments on real-world datasets across different domains demonstrate the effectiveness of RAG4DyG for dynamic graph modeling.
Abstract（参考訳）: 動的グラフモデリングは、様々なアプリケーションで進化するパターンを分析するのに不可欠である。既存のアプローチは、しばしばグラフニューラルネットワークと時間モジュールを統合するか、生成シーケンスタスクとして動的グラフモデリングを再定義する。しかしながら、これらの手法は典型的には、狭い視点からターゲットノードの孤立した歴史的文脈に依存し、類似したパターンや他のノードに関連するケースの発生を無視する。本研究では,動的グラフモデリング(RAG4DyG)フレームワークを紹介し,各ノードの視点を広げるために,文脈的および時間的に類似した例からのガイダンスを活用する。このアプローチは2つの重要な課題を提示している: 1) 動的グラフサンプルと文脈的に、時間的に類似した高品質なデモを識別し、検索する方法? (2) 動的グラフモデリングを改善するために、これらのデモを効果的に統合するにはどうすればよいのか? これらの課題に対処するため,歴史的文脈の理解を深めるRAG4DyGを提案する。具体的には、時間と文脈を意識したコントラスト学習モジュールを使用して、クエリシーケンス毎に関連するケースを特定し、検索する。さらに,検索した事例を統合化するためのグラフ融合戦略を設計し,予測を改善するため,歴史的文脈を拡張した。異なる領域にわたる実世界のデータセットに関する大規模な実験は、動的グラフモデリングにおけるRAG4DyGの有効性を実証している。

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)
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)
Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
論文参考訳（メタデータ） (2023-08-10T01:24:25Z)
Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。 RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-04-20T04:12:50Z)
Dynamic Graph Representation Learning with Neural Networks: A Survey [0.0]
動的グラフ表現は新しい機械学習問題として現れた。本稿では,動的グラフ学習に関連する問題とモデルをレビューすることを目的とする。
論文参考訳（メタデータ） (2023-04-12T09:39:17Z)
Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations [21.936437653875245]
本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
論文参考訳（メタデータ） (2023-02-22T12:59:38Z)
DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
論文参考訳（メタデータ） (2022-10-19T14:34:12Z)
Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
論文参考訳（メタデータ） (2021-12-14T22:24:53Z)
Anomaly Detection in Dynamic Graphs via Transformer [30.926884264054042]
DYnamic graph(TADDY)のためのトランスフォーマーを用いた新しい異常検出フレームワークを提案する。本フレームワークは,進化するグラフストリームにおいて,各ノードの構造的役割と時間的役割をよりよく表現するための包括的ノード符号化戦略を構築する。提案するTADDYフレームワークは,4つの実世界のデータセットに対して,最先端の手法よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2021-06-18T02:27:19Z)
TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文参考訳（メタデータ） (2021-05-17T15:33:25Z)
Jointly Modeling Aspect and Sentiment with Dynamic Heterogeneous Graph Neural Networks [27.59070337052869]
対象に基づく感性分析は、意見の側面(視点抽出)と感情の極性(感情検出)を検出することを目的としている。以前のパイプラインと統合されたメソッドはどちらも、これらの2つの目的の間の自然的接続を正確にモデル化することができない。本稿では,2つの目的を明示的な方法で共同でモデル化する新しい動的不均一グラフを提案する。
論文参考訳（メタデータ） (2020-04-14T11:27:30Z)

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。