論文の概要: Efficient Dynamic Attributed Graph Generation

• arxiv url: http://arxiv.org/abs/2412.08810v1
• Date: Wed, 11 Dec 2024 22:53:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:31:34.222781
• Title: Efficient Dynamic Attributed Graph Generation
• Title（参考訳）: 動的分散グラフ生成の効率化
• Authors: Fan Li, Xiaoyang Wang, Dawei Cheng, Cong Chen, Ying Zhang, Xuemin Lin,
• Abstract要約: 高速な動的属性グラフ生成のための新しい変動リカレントフレームワークであるVRDAGを紹介する。 具体的には、向き付けられた構造知識とスナップショットの属性情報の両方を符号化する双方向メッセージパッシング機構を設計する。 提案した生成パラダイムは、既存のランダムウォーク法における時間を要する経路サンプリングおよびマージプロセスを回避する。
• 参考スコア（独自算出の注目度）: 34.15455546339396
• License:
• Abstract: Data generation is a fundamental research problem in data management due to its diverse use cases, ranging from testing database engines to data-specific applications. However, real-world entities often involve complex interactions that cannot be effectively modeled by traditional tabular data. Therefore, graph data generation has attracted increasing attention recently. Although various graph generators have been proposed in the literature, there are three limitations: i) They cannot capture the co-evolution pattern of graph structure and node attributes. ii) Few of them consider edge direction, leading to substantial information loss. iii) Current state-of-the-art dynamic graph generators are based on the temporal random walk, making the simulation process time-consuming. To fill the research gap, we introduce VRDAG, a novel variational recurrent framework for efficient dynamic attributed graph generation. Specifically, we design a bidirectional message-passing mechanism to encode both directed structural knowledge and attribute information of a snapshot. Then, the temporal dependency in the graph sequence is captured by a recurrence state updater, generating embeddings that can preserve the evolution pattern of early graphs. Based on the hidden node embeddings, a conditional variational Bayesian method is developed to sample latent random variables at the neighboring timestep for new snapshot generation. The proposed generation paradigm avoids the time-consuming path sampling and merging process in existing random walk-based methods, significantly reducing the synthesis time. Finally, comprehensive experiments on real-world datasets are conducted to demonstrate the effectiveness and efficiency of the proposed model.
• Abstract（参考訳）: データ生成は、データベースエンジンのテストからデータ固有のアプリケーションまで、さまざまなユースケースのために、データ管理における基本的な研究課題である。 しかし、現実世界の実体は、しばしば伝統的な表データによって効果的にモデル化できない複雑な相互作用を含む。 そのため,近年,グラフデータ生成が注目されている。 文献では様々なグラフ生成器が提案されているが、3つの制限がある。 一 グラフ構造及びノード属性の共進化パターンをキャプチャできないこと。 二 エッジの方向性を考慮し、実質的な情報喪失につながるものはほとんどない。 三 現在最先端の動的グラフ生成装置は、時間的ランダムウォークに基づいており、シミュレーションプロセスに時間がかかる。 研究のギャップを埋めるために,高速な動的属性グラフ生成のための新しい変動リカレントフレームワークであるVRDAGを紹介する。 具体的には、向き付けられた構造知識とスナップショットの属性情報の両方を符号化する双方向メッセージパッシング機構を設計する。 そして、グラフシーケンスの時間依存性を繰り返し状態更新器でキャプチャし、初期グラフの進化パターンを保存可能な埋め込みを生成する。 隠れノード埋め込みに基づく条件付き変分ベイズ法は,新しいスナップショット生成のために隣接時間に潜時確率変数をサンプリングするために開発された。 提案した生成パラダイムは、既存のランダムウォーク法における時間を要する経路サンプリングとマージ処理を回避し、合成時間を著しく短縮する。 最後に,提案モデルの有効性と有効性を示すために,実世界のデータセットに関する総合的な実験を行った。

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)
• Overcoming Order in Autoregressive Graph Generation [12.351817671944515]
  グラフ生成は、化学やソーシャルネットワークなど、さまざまな領域における基本的な問題である。 近年の研究では、リカレントニューラルネットワーク(RNN)を用いた分子グラフ生成が、従来の生成手法と比較して有利であることが示されている。
  論文  参考訳（メタデータ） (2024-02-04T09:58:22Z)
• 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)
• Backbone-based Dynamic Graph Spatio-Temporal Network for Epidemic Forecasting [3.382729969842304]
  正確な流行予測は伝染病の予防に重要な課題である。 多くのディープラーニングベースのモデルは、空間情報を構築する際に静的グラフや動的グラフにのみフォーカスする。 バックボーンに基づく動的グラフ時空間ネットワーク(BDGSTN)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-01T10:34:03Z)
• 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)
• 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)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling [2.3022070933226217]
  静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。 モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。 ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-12-06T08:19:15Z)
• 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)
• TG-GAN: Continuous-time Temporal Graph Generation with Deep Generative Models [9.75258136573147]
  本稿では,時系列グラフ生成のためのTG-GAN'と呼ばれる新しいモデルを提案する。 まず,時間予算とノード属性を共同でモデル化する新しい時間グラフ生成手法を提案する。 さらに、繰り返しアーキテクチャ上での時間とノードの符号化操作を組み合わせて生成されたシーケンスを識別する新しい時間グラフ識別器を提案する。
  論文  参考訳（メタデータ） (2020-05-17T17:59:12Z)

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。