論文の概要: ScaDyG:A New Paradigm for Large-scale Dynamic Graph Learning

• arxiv url: http://arxiv.org/abs/2501.16002v2
• Date: Thu, 30 Jan 2025 11:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 11:52:51.244846
• Title: ScaDyG:A New Paradigm for Large-scale Dynamic Graph Learning
• Title（参考訳）: ScaDyG:大規模動的グラフ学習のための新しいパラダイム
• Authors: Xiang Wu, Xunkai Li, Rong-Hua Li, Kangfei Zhao, Guoren Wang,
• Abstract要約: ScaDyGは動的グラフネットワークのためのタイムアウェアなスケーラブルな学習パラダイムである。 12のデータセットの実験では、ScaDyGは、ノードレベルとリンクレベルの両方の下流タスクにおいて、互換性のあるパフォーマンス、あるいは他のSOTAメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 31.629956388962814
• License:
• Abstract: Dynamic graphs (DGs), which capture time-evolving relationships between graph entities, have widespread real-world applications. To efficiently encode DGs for downstream tasks, most dynamic graph neural networks follow the traditional message-passing mechanism and extend it with time-based techniques. Despite their effectiveness, the growth of historical interactions introduces significant scalability issues, particularly in industry scenarios. To address this limitation, we propose ScaDyG, with the core idea of designing a time-aware scalable learning paradigm as follows: 1) Time-aware Topology Reformulation: ScaDyG first segments historical interactions into time steps (intra and inter) based on dynamic modeling, enabling weight-free and time-aware graph propagation within pre-processing. 2) Dynamic Temporal Encoding: To further achieve fine-grained graph propagation within time steps, ScaDyG integrates temporal encoding through a combination of exponential functions in a scalable manner. 3) Hypernetwork-driven Message Aggregation: After obtaining the propagated features (i.e., messages), ScaDyG utilizes hypernetwork to analyze historical dependencies, implementing node-wise representation by an adaptive temporal fusion. Extensive experiments on 12 datasets demonstrate that ScaDyG performs comparably well or even outperforms other SOTA methods in both node and link-level downstream tasks, with fewer learnable parameters and higher efficiency.
• Abstract（参考訳）: グラフエンティティ間の時間進化関係をキャプチャする動的グラフ(DG)は、現実世界に広く応用されている。 下流タスクのDGを効率的にエンコードするために、ほとんどの動的グラフニューラルネットワークは従来のメッセージパッシングメカニズムに従い、時間ベースの手法で拡張する。 その効果にもかかわらず、歴史的相互作用の成長は、特に業界シナリオにおいて、大きなスケーラビリティの問題をもたらす。 この制限に対処するため、我々はScaDyGを提案し、タイムアウェアなスケーラブルな学習パラダイムを次のように設計する。 1) 時間を考慮したトポロジ改革: ScaDyGは、まず、動的モデリングに基づいて、時間ステップ(イントラとインター)に歴史的相互作用を分割し、前処理でウェイトフリーでタイムアウェアなグラフの伝播を可能にする。 2)動的テンポラルエンコーディング: 時間ステップ内で詳細なグラフの伝播を実現するため,ScaDyGは指数関数の組み合わせをスケーラブルに組み合わせてテンポラルエンコーディングを統合する。 3) ハイパーネットワーク駆動のメッセージ集約: 伝播する機能(すなわちメッセージ)を得た後、ScaDyGは、ハイパーネットワークを使用して過去の依存関係を分析し、適応時間融合によるノードワイズ表現を実装する。 12のデータセットに対する大規模な実験により、ScaDyGは、学習可能なパラメータが少なく、高い効率で、ノードレベルとリンクレベルの両方の下流タスクにおいて、相容れない、あるいは他のSOTAメソッドよりも優れていることが示されている。

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)
• DyGMamba: Efficiently Modeling Long-Term Temporal Dependency on Continuous-Time Dynamic Graphs with State Space Models [26.989676396289145]
  連続時間動的グラフ(CTDG)の学習モデルであるDyGMambaを提案する。 DyGMambaは、ほとんどのケースで最先端を実現していることを示す。
  論文  参考訳（メタデータ） (2024-08-08T18:25:14Z)
• SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
  我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。 これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。 提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-05-29T13:09:33Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• 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)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• 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)
• 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 Representation Learning via Graph Transformer Networks [41.570839291138114]
  動的グラフ変換器 (DGT) を用いた動的グラフ学習手法を提案する。 DGTは、グラフトポロジを効果的に学習し、暗黙のリンクをキャプチャするための時空間符号化を持つ。 DGTはいくつかの最先端のベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-19T21:44:23Z)

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。