論文の概要: A Deep Probabilistic Framework for Continuous Time Dynamic Graph Generation

• arxiv url: http://arxiv.org/abs/2412.15582v1
• Date: Fri, 20 Dec 2024 05:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:23:19.066845
• Title: A Deep Probabilistic Framework for Continuous Time Dynamic Graph Generation
• Title（参考訳）: 連続時間動的グラフ生成のためのDeep Probabilistic Framework
• Authors: Ryien Hosseini, Filippo Simini, Venkatram Vishwanath, Henry Hoffmann,
• Abstract要約: このアプローチを連続時間動的グラフの生成フレームワークであるDG-Genとして定式化する。 実験により,DG-Genは従来の手法に比べて高忠実度グラフを生成するだけでなく,リンク予測タスクも大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 4.568104644312763
• License:
• Abstract: Recent advancements in graph representation learning have shifted attention towards dynamic graphs, which exhibit evolving topologies and features over time. The increased use of such graphs creates a paramount need for generative models suitable for applications such as data augmentation, obfuscation, and anomaly detection. However, there are few generative techniques that handle continuously changing temporal graph data; existing work largely relies on augmenting static graphs with additional temporal information to model dynamic interactions between nodes. In this work, we propose a fundamentally different approach: We instead directly model interactions as a joint probability of an edge forming between two nodes at a given time. This allows us to autoregressively generate new synthetic dynamic graphs in a largely assumption free, scalable, and inductive manner. We formalize this approach as DG-Gen, a generative framework for continuous time dynamic graphs, and demonstrate its effectiveness over five datasets. Our experiments demonstrate that DG-Gen not only generates higher fidelity graphs compared to traditional methods but also significantly advances link prediction tasks.
• Abstract（参考訳）: グラフ表現学習の最近の進歩は、時間とともに進化するトポロジや特徴を示す動的なグラフに注意を向けている。 このようなグラフの利用が増加し、データ拡張、難読化、異常検出などのアプリケーションに適した生成モデルの必要性が最重要となる。 しかし、連続的に変化する時間グラフデータを扱う生成技術はほとんどなく、既存の研究はノード間の動的相互作用をモデル化するために、時間情報を追加して静的グラフを増大させることに大きく依存している。 代わりに、ある時間に2つのノード間のエッジ形成のジョイント確率として相互作用を直接モデル化する。 これにより、大まかに仮定して、自由でスケーラブルで、帰納的な方法で、新しい合成動的グラフを自動回帰的に生成できる。 本手法を,連続時間動的グラフの生成フレームワークであるDG-Genとして定式化し,その有効性を5つのデータセットで示す。 実験により,DG-Genは従来の手法に比べて高忠実度グラフを生成するだけでなく,リンク予測タスクも大幅に向上することが示された。

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)
• 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)
• 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)
• Decoupled Graph Neural Networks for Large Dynamic Graphs [14.635923016087503]
  大規模動的グラフのための疎結合グラフニューラルネットワークを提案する。 このアルゴリズムは,両種類の動的グラフにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-05-14T23:00:10Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• TIGGER: Scalable Generative Modelling for Temporal Interaction Graphs [19.71442902979904]
  既存の生成モデルは、時間的地平線やノード数とともにスケールしない。 本稿では,このギャップをTIGGERと呼ばれる新しい生成モデルで埋める。 我々は、TIGGERが優れた忠実度を持つグラフを生成すると同時に、最先端技術よりも最大3桁高速であることを示す。
  論文  参考訳（メタデータ） (2022-03-07T18:09:05Z)
• 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)
• Deep Dynamic Effective Connectivity Estimation from Multivariate Time Series [0.0]
  我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。 DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
  論文  参考訳（メタデータ） (2022-02-04T21:14:21Z)
• 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)
• 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)
• 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。