論文の概要: Adaptive Spatiotemporal Augmentation for Improving Dynamic Graph Learning

• arxiv url: http://arxiv.org/abs/2501.10010v1
• Date: Fri, 17 Jan 2025 07:48:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 14:00:35.250850
• Title: Adaptive Spatiotemporal Augmentation for Improving Dynamic Graph Learning
• Title（参考訳）: 動的グラフ学習改善のための適応時空間拡張
• Authors: Xu Chu, Hanlin Xue, Bingce Wang, Xiaoyang Liu, Weiping Li, Tong Mo, Tuoyu Feng, Zhijie Tan,
• Abstract要約: STAAは、時間次元においてノイズの多いエッジを持つ可能性のあるノードを特定する。 グラフウェーブレットの変化率を通じてエッジの進化を分析する。 ランダムウォークは、ノイズの多いエッジの重量を減らすために使用される。
• 参考スコア（独自算出の注目度）: 16.768825403934432
• License:
• Abstract: Dynamic graph augmentation is used to improve the performance of dynamic GNNs. Most methods assume temporal locality, meaning that recent edges are more influential than earlier edges. However, for temporal changes in edges caused by random noise, overemphasizing recent edges while neglecting earlier ones may lead to the model capturing noise. To address this issue, we propose STAA (SpatioTemporal Activity-Aware Random Walk Diffusion). STAA identifies nodes likely to have noisy edges in spatiotemporal dimensions. Spatially, it analyzes critical topological positions through graph wavelet coefficients. Temporally, it analyzes edge evolution through graph wavelet coefficient change rates. Then, random walks are used to reduce the weights of noisy edges, deriving a diffusion matrix containing spatiotemporal information as an augmented adjacency matrix for dynamic GNN learning. Experiments on multiple datasets show that STAA outperforms other dynamic graph augmentation methods in node classification and link prediction tasks.
• Abstract（参考訳）: 動的グラフ拡張は動的GNNの性能向上に使用される。 ほとんどの手法は時間的局所性(英語版)を仮定しており、これは最近のエッジが以前のエッジよりも影響が大きいことを意味する。 しかし、ランダムノイズによるエッジの時間的変化に対しては、以前のエッジを無視しながら、最近のエッジを過度に強調すると、ノイズを捕捉するモデルにつながる可能性がある。 本稿では,STAA(SpatioTemporal Activity-Aware Random Walk Diffusion)を提案する。 STAAは時空間次元においてノイズの多いエッジを持つ可能性のあるノードを特定する。 空間的に、グラフウェーブレット係数を通して臨界位相位置を解析する。 時折、グラフウェーブレット係数変化率を通してエッジの進化を分析する。 そして、ランダムウォークを用いてノイズの多いエッジの重みを減らし、動的GNN学習のための拡張隣接行列として時空間情報を含む拡散行列を導出する。 複数のデータセットの実験により、STAAはノード分類やリンク予測タスクにおいて、他の動的グラフ拡張手法よりも優れていることが示された。

関連論文リスト

• Efficient and Effective Implicit Dynamic Graph Neural Network [42.49148111696576]
  Indicit Dynamic Graph Neural Network (IDGNN) は動的グラフのための新しい暗黙的ニューラルネットワークである。 IDGNNの鍵となる特徴は、それが実証的に良好である、すなわち、固定点表現を持つことが理論的に保証されていることである。
  論文  参考訳（メタデータ） (2024-06-25T19:07:21Z)
• 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)
• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• RDGSL: Dynamic Graph Representation Learning with Structure Learning [23.00398150548281]
  時間グラフネットワーク(TGN)は、連続時間動的グラフの学習表現において顕著な性能を示した。 しかし、実世界のダイナミックグラフは典型的には多様で複雑なノイズを含む。 ノイズは表現生成の質を著しく低下させ、下流タスクにおけるTGNの有効性を阻害する。
  論文  参考訳（メタデータ） (2023-09-05T08:03:59Z)
• 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)
• 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)
• Time-aware Random Walk Diffusion to Improve Dynamic Graph Learning [3.4012007729454816]
  TiaRaは、グラフスナップショットの離散時間シーケンスとして表される動的グラフを拡大するための、新しい拡散ベースの方法である。 TiaRaは与えられた動的グラフを効果的に拡張し、様々なグラフデータセットやタスクに対する動的GNNモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2022-11-02T15:55:46Z)
• Instant Graph Neural Networks for Dynamic Graphs [18.916632816065935]
  Instant Graph Neural Network (InstantGNN) を提案する。 提案手法は,時間を要する反復計算を回避し,表現の即時更新と即時予測を可能にする。 本モデルでは,既存手法よりも高精度かつ高次精度で最先端の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-03T03:27:42Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• 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。