Fugu-MT 論文翻訳(概要): THeGCN: Temporal Heterophilic Graph Convolutional Network

論文の概要: THeGCN: Temporal Heterophilic Graph Convolutional Network

arxiv url: http://arxiv.org/abs/2412.16435v1
Date: Sat, 21 Dec 2024 01:52:03 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-24 15:58:57.389843
Title: THeGCN: Temporal Heterophilic Graph Convolutional Network
Title（参考訳）: THeGCN: 時間的不テロ親和性グラフ畳み込みネットワーク
Authors: Yuchen Yan, Yuzhong Chen, Huiyuan Chen, Xiaoting Li, Zhe Xu, Zhichen Zeng, Zhining Liu, Hanghang Tong,
Abstract要約: 本研究では,時間的ヘテロフィルグラフ畳み込みネットワーク(THeGCN)を提案し,両端(空間)ヘテロフィリーと時間的ヘテロフィリーを正確に捉える。 THeGCNモデルは2つの重要なコンポーネントで構成されている。 5つの実世界のデータセットで実施された大規模な実験により、THeGCNの有効性が検証された。
参考スコア（独自算出の注目度）: 48.95048871887509
License:
Abstract: Graph Neural Networks (GNNs) have exhibited remarkable efficacy in diverse graph learning tasks, particularly on static homophilic graphs. Recent attention has pivoted towards more intricate structures, encompassing (1) static heterophilic graphs encountering the edge heterophily issue in the spatial domain and (2) event-based continuous graphs in the temporal domain. State-of-the-art (SOTA) has been concurrently addressing these two lines of work but tends to overlook the presence of heterophily in the temporal domain, constituting the temporal heterophily issue. Furthermore, we highlight that the edge heterophily issue and the temporal heterophily issue often co-exist in event-based continuous graphs, giving rise to the temporal edge heterophily challenge. To tackle this challenge, this paper first introduces the temporal edge heterophily measurement. Subsequently, we propose the Temporal Heterophilic Graph Convolutional Network (THeGCN), an innovative model that incorporates the low/high-pass graph signal filtering technique to accurately capture both edge (spatial) heterophily and temporal heterophily. Specifically, the THeGCN model consists of two key components: a sampler and an aggregator. The sampler selects events relevant to a node at a given moment. Then, the aggregator executes message-passing, encoding temporal information, node attributes, and edge attributes into node embeddings. Extensive experiments conducted on 5 real-world datasets validate the efficacy of THeGCN.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、様々なグラフ学習タスク、特に静的ホモ親和性グラフにおいて顕著な効果を示した。最近の注目は、(1)空間領域におけるエッジヘテロフィイ問題に遭遇する静的ヘテロ親和性グラフ、(2)時間領域における事象ベースの連続グラフを含む、より複雑な構造へと向けられている。最先端のSOTA(State-of-the-art)は、これら2つの作業ラインに同時に対処してきたが、時間領域におけるヘテロフィリーの存在を見落とし、時間領域におけるヘテロフィリーの問題を構成する傾向にある。さらに、エッジヘテロフィリ問題と時間ヘテロフィリ問題はしばしばイベントベースの連続グラフで共存し、時間ヘテロフィリ問題を引き起こす。この課題に対処するために,本論文ではまず,時間的エッジのヘテロフィリ測定について紹介する。その後,低域・高域グラフ信号フィルタリング手法を取り入れた時間的ヘテロ親和性グラフ畳み込みネットワーク(THeGCN, Temporal Heterophilic Graph Convolutional Network,THeGCN)を提案する。具体的には、THeGCNモデルは2つのキーコンポーネント(サンプルとアグリゲータ)から構成される。サンプリング者は、ある瞬間にノードに関連するイベントを選択する。そして、アグリゲータはメッセージパッシングを実行し、時間情報、ノード属性、エッジ属性をノード埋め込みに符号化する。 5つの実世界のデータセットで実施された大規模な実験により、THeGCNの有効性が検証された。

関連論文リスト

Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
論文参考訳（メタデータ） (2024-11-18T04:57:05Z)
DuoGNN: Topology-aware Graph Neural Network with Homophily and Heterophily Interaction-Decoupling [0.0]
グラフニューラルネットワーク(GNN)は、自動疾患診断など、様々な医療画像の応用に有効であることが証明されている。それらは本質的に2つの基本的な制限に悩まされる: まず、不明瞭なノードの埋め込みは、ヘテロ親和性ノードの集約に起因する。我々は、トポロジを利用してホモ親和性およびヘテロ親和性のあるエッジを分離するスケーラブルで一般化可能なアーキテクチャであるDuoGNNを提案する。
論文参考訳（メタデータ） (2024-09-29T09:01:22Z)
The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
論文参考訳（メタデータ） (2024-07-12T18:04:32Z)
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)
CTRL: Continuous-Time Representation Learning on Temporal Heterogeneous Information Network [32.42051167404171]
時間HINを用いた連続時間表現学習モデルを提案する。我々は、高次ネットワーク構造の進化を捉えるために、将来の事象(サブグラフ)予測タスクでモデルを訓練する。その結果,本モデルは性能を著しく向上し,様々な最先端手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-05-11T03:39:22Z)
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)
ES-GNN: Generalizing Graph Neural Networks Beyond Homophily with Edge Splitting [32.69196871253339]
本稿では,学習タスクに関係のないグラフエッジを適応的に識別する新しいエッジ分割GNN(ES-GNN)フレームワークを提案する。本稿では,ES-GNNを非交叉グラフ記述問題の解とみなすことができることを示す。
論文参考訳（メタデータ） (2022-05-27T01:29:03Z)
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)
Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文参考訳（メタデータ） (2021-10-06T16:08:44Z)
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。