論文の概要: IMPaCT GNN: Imposing invariance with Message Passing in Chronological split Temporal Graphs
- arxiv url: http://arxiv.org/abs/2411.10957v1
- Date: Sun, 17 Nov 2024 04:23:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:36:20.006048
- Title: IMPaCT GNN: Imposing invariance with Message Passing in Chronological split Temporal Graphs
- Title（参考訳）: IMPaCT GNN:時系列分割時間グラフにおけるメッセージパッシングによる不変性
- Authors: Sejun Park, Joo Young Park, Hyunwoo Park,
- Abstract要約: 本稿では,時系列分割によるグラフデータのドメイン適応問題に対処する。
本稿では,時間グラフ構造から導出した現実的な仮定に基づいて不変性を付与するIMPaCTを提案する。
ogbn-mag グラフデータセット上での現在の SOTA 法と比較して,IMPaCT は3.8% の性能向上を実現していることを示す。
- 参考スコア（独自算出の注目度）: 8.861995276194435
- License:
- Abstract: This paper addresses domain adaptation challenges in graph data resulting from chronological splits. In a transductive graph learning setting, where each node is associated with a timestamp, we focus on the task of Semi-Supervised Node Classification (SSNC), aiming to classify recent nodes using labels of past nodes. Temporal dependencies in node connections create domain shifts, causing significant performance degradation when applying models trained on historical data into recent data. Given the practical relevance of this scenario, addressing domain adaptation in chronological split data is crucial, yet underexplored. We propose Imposing invariance with Message Passing in Chronological split Temporal Graphs (IMPaCT), a method that imposes invariant properties based on realistic assumptions derived from temporal graph structures. Unlike traditional domain adaptation approaches which rely on unverifiable assumptions, IMPaCT explicitly accounts for the characteristics of chronological splits. The IMPaCT is further supported by rigorous mathematical analysis, including a derivation of an upper bound of the generalization error. Experimentally, IMPaCT achieves a 3.8% performance improvement over current SOTA method on the ogbn-mag graph dataset. Additionally, we introduce the Temporal Stochastic Block Model (TSBM), which replicates temporal graphs under varying conditions, demonstrating the applicability of our methods to general spatial GNNs.
- Abstract（参考訳）: 本稿では,時系列分割によるグラフデータのドメイン適応問題に対処する。
各ノードがタイムスタンプに関連付けられているトランスダクティブグラフ学習環境では,過去のノードのラベルを用いて最近のノードを分類することを目的とした,Semi-Supervised Node Classification (SSNC)タスクに焦点を当てる。
ノード接続の一時的な依存関係はドメインシフトを発生させ、最近のデータに履歴データに基づいてトレーニングされたモデルを適用すると、大幅なパフォーマンス低下を引き起こす。
このシナリオの実践的関連性を考えると、時系列分割データのドメイン適応は重要であるが、未解明である。
本稿では,時系列分割時間グラフ(IMPaCT)におけるメッセージパッシングによるインポーティング不変性(Imposing invariance)を提案する。
検証不可能な仮定に依存する従来のドメイン適応アプローチとは異なり、IMPaCTは時系列分割の特徴を明示的に説明している。
IMPaCTは、一般化誤差の上界の導出を含む厳密な数学的解析によってさらに支持される。
実験により、IMPaCTはogbn-magグラフデータセット上の現在のSOTA法よりも3.8%の性能向上を実現している。
さらに、時間的確率ブロックモデル(TSBM)を導入し、時間的グラフを様々な条件で再現し、一般空間GNNに適用可能であることを示す。
関連論文リスト
- Inference of Sequential Patterns for Neural Message Passing in Temporal Graphs [0.6562256987706128]
HYPA-DBGNNは、グラフ上の時系列データにおける異常なシーケンシャルパターンの推論を組み合わせた、新しい2段階のアプローチである。
本手法は超幾何グラフアンサンブルを利用して1階グラフと高階グラフの両方において異常なエッジを同定する。
我々の研究は、時間的および因果配列異常を利用した統計的に情報を得たGNNを初めて導入した。
論文 参考訳（メタデータ） (2024-06-24T11:41:12Z) - Gaussian Embedding of Temporal Networks [12.09704836128003]
TGNE (textbfTemporal textbfGaussian textbfNetwork textbfEmbedding)は、Latent Space Models (LSM)citeHoff2002および時間グラフ機械学習を介してネットワークの統計解析を橋渡しする。
元のグラフを再構成し、不確実性をモデル化するTGNEの有効性を評価する。
論文 参考訳（メタデータ） (2024-05-27T15:07:57Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳（メタデータ） (2023-09-11T08:44:07Z) - Networked Time Series Imputation via Position-aware Graph Enhanced
Variational Autoencoders [31.953958053709805]
我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。
実験の結果,ベースライン上でのモデルの有効性が示された。
論文 参考訳（メタデータ） (2023-05-29T21:11:34Z) - 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) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳（メタデータ） (2022-06-07T09:08:35Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - Multivariate Time Series Classification with Hierarchical Variational
Graph Pooling [23.66868187446734]
既存のディープラーニングに基づくMTSC技術は、主に単一時系列の時間依存性に関係している。
MTSの表現的グローバル表現を得るために,グラフプーリングに基づく新しいフレームワークMTPoolを提案する。
10のベンチマークデータセットの実験では、MTSCタスクでMTPoolが最先端の戦略を上回っている。
論文 参考訳（メタデータ） (2020-10-12T12:36:47Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z)
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。