論文の概要: Enhancing the Expressivity of Temporal Graph Networks through Source-Target Identification

• arxiv url: http://arxiv.org/abs/2411.03596v2
• Date: Thu, 07 Nov 2024 20:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 11:36:03.268432
• Title: Enhancing the Expressivity of Temporal Graph Networks through Source-Target Identification
• Title（参考訳）: ソースターゲット同定による時間グラフネットワークの表現性向上
• Authors: Benedict Aaron Tjandra, Federico Barbero, Michael Bronstein,
• Abstract要約: 我々は、TGNの定式化は、メッセージ上での予測や移動平均を表現できないことを示した。 本稿では,各インタラクションイベントメッセージにソースターゲット識別を追加することで,TGNの表現性を高めることを提案する。 提案手法であるTGNv2は,時間グラフベンチマーク(TGB)の動的ノード親和性予測データセットにおいて,TGNと現在のTGモデルを著しく上回っている。
• 参考スコア（独自算出の注目度）: 2.06242362470764
• License:
• Abstract: Despite the successful application of Temporal Graph Networks (TGNs) for tasks such as dynamic node classification and link prediction, they still perform poorly on the task of dynamic node affinity prediction -- where the goal is to predict 'how much' two nodes will interact in the future. In fact, simple heuristic approaches such as persistent forecasts and moving averages over ground-truth labels significantly and consistently outperform TGNs. Building on this observation, we find that computing heuristics over messages is an equally competitive approach, outperforming TGN and all current temporal graph (TG) models on dynamic node affinity prediction. In this paper, we prove that no formulation of TGN can represent persistent forecasting or moving averages over messages, and propose to enhance the expressivity of TGNs by adding source-target identification to each interaction event message. We show that this modification is required to represent persistent forecasting, moving averages, and the broader class of autoregressive models over messages. Our proposed method, TGNv2, significantly outperforms TGN and all current TG models on all Temporal Graph Benchmark (TGB) dynamic node affinity prediction datasets.
• Abstract（参考訳）: 動的ノード分類やリンク予測といったタスクに対してTGN(Temporal Graph Networks)が成功したにもかかわらず、動的ノード親和性予測(Dynamic node Affinity Prediction)のタスクでは依然としてパフォーマンスが不十分である。 実際、永続的な予測や移動平均といった単純なヒューリスティックなアプローチは、TGNよりも大きく、一貫して優れています。 この観測に基づいて、メッセージに対する計算ヒューリスティックスは、動的ノード親和性予測において、TGNと現在の時間グラフ(TG)モデルを上回る、等しく競合的なアプローチであることが判明した。 本稿では、TGNの定式化がメッセージ上での持続的な予測や移動平均を表現できないことを証明し、各インタラクションイベントメッセージにソースターゲット識別を追加することにより、TGNの表現性を高めることを提案する。 この修正は、メッセージに対する永続的な予測、移動平均、より広範な自己回帰モデルを表現するために必要であることを示す。 提案手法であるTGNv2は,時間グラフベンチマーク(TGB)の動的ノード親和性予測データセットにおいて,TGNと現在のTGモデルを著しく上回っている。

関連論文リスト

• PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
  本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。 標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。 ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-02T17:57:38Z)
• 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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Analysis of different temporal graph neural network configurations on dynamic graphs [0.0]
  本研究の目的は,動的グラフ上での空間的時間的依存構造学習の質的解析を行うことにより,文献のギャップを解消することである。 優れたTGNの異なる変種について広範囲にわたるアブレーション研究を行い、その性能に寄与する主要な要因を同定する。 これらの目的を達成することで、動的グラフ解析のためのTGNの設計と最適化に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2023-05-02T00:07:33Z)
• 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)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• 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)
• Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution [18.309299822858243]
  DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。 DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。 我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
  論文  参考訳（メタデータ） (2021-04-30T11:25:43Z)
• 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)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)

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。