Fugu-MT 論文翻訳(概要): TGB-Seq Benchmark: Challenging Temporal GNNs with Complex Sequential Dynamics

論文の概要: TGB-Seq Benchmark: Challenging Temporal GNNs with Complex Sequential Dynamics

arxiv url: http://arxiv.org/abs/2502.02975v1
Date: Wed, 05 Feb 2025 08:20:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-06 14:28:32.090167
Title: TGB-Seq Benchmark: Challenging Temporal GNNs with Complex Sequential Dynamics
Title（参考訳）: TGB-Seqベンチマーク: テンポラルGNNと複雑なシークエンシャルダイナミクスの整合性
Authors: Lu Yi, Jie Peng, Yanping Zheng, Fengran Mo, Zhewei Wei, Yuhang Ye, Yue Zixuan, Zengfeng Huang,
Abstract要約: この問題に触発されて、逐次ダイナミクス付き時間グラフベンチマーク(TGB-Seq)を導入する。 TGB-Seqは、eコマースインタラクション、映画評価、ビジネスレビュー、ソーシャルネットワーク、引用ネットワーク、Webリンクネットワークなど、さまざまな領域にまたがる大規模な実世界のデータセットで構成されている。
参考スコア（独自算出の注目度）: 38.47292834562628
License:
Abstract: Future link prediction is a fundamental challenge in various real-world dynamic systems. To address this, numerous temporal graph neural networks (temporal GNNs) and benchmark datasets have been developed. However, these datasets often feature excessive repeated edges and lack complex sequential dynamics, a key characteristic inherent in many real-world applications such as recommender systems and ``Who-To-Follow'' on social networks. This oversight has led existing methods to inadvertently downplay the importance of learning sequential dynamics, focusing primarily on predicting repeated edges. In this study, we demonstrate that existing methods, such as GraphMixer and DyGFormer, are inherently incapable of learning simple sequential dynamics, such as ``a user who has followed OpenAI and Anthropic is more likely to follow AI at Meta next.'' Motivated by this issue, we introduce the Temporal Graph Benchmark with Sequential Dynamics (TGB-Seq), a new benchmark carefully curated to minimize repeated edges, challenging models to learn sequential dynamics and generalize to unseen edges. TGB-Seq comprises large real-world datasets spanning diverse domains, including e-commerce interactions, movie ratings, business reviews, social networks, citation networks and web link networks. Benchmarking experiments reveal that current methods usually suffer significant performance degradation and incur substantial training costs on TGB-Seq, posing new challenges and opportunities for future research. TGB-Seq datasets, leaderboards, and example codes are available at https://tgb-seq.github.io/.
Abstract（参考訳）: 未来のリンク予測は、様々な実世界の動的システムにおける根本的な課題である。これを解決するために、多くの時間グラフニューラルネットワーク(テンポラリGNN)とベンチマークデータセットが開発されている。しかしながら、これらのデータセットは、しばしば過度に繰り返されるエッジを特徴とし、複雑なシーケンシャルなダイナミクスが欠如している。この監視は、主に繰り返しエッジを予測することに焦点を当て、シーケンシャルなダイナミクスを学ぶことの重要性を必然的に軽視する既存の手法を導いた。本研究では,GraphMixerやDyGFormerのような既存の手法では,OpenAIやHistropicに追随したユーザの方がMetaのAIに追従する確率が高く,単純なシーケンシャルなダイナミクスを学習できないことを実証する。この問題に触発されたTGB-Seq(Temporal Graph Benchmark with Sequential Dynamics)は、繰り返しエッジを最小化するために慎重にキュレーションされた新しいベンチマークで、シーケンシャルなダイナミクスを学習し、目に見えないエッジに一般化するモデルに挑戦する。 TGB-Seqは、eコマースインタラクション、映画評価、ビジネスレビュー、ソーシャルネットワーク、引用ネットワーク、Webリンクネットワークなど、さまざまな領域にまたがる大規模な実世界のデータセットで構成されている。ベンチマーク実験により、現在の手法は通常、パフォーマンスが著しく低下し、TGB-Seqのトレーニングコストが大幅に低下していることが判明した。 TGB-Seqデータセット、リーダボード、サンプルコードはhttps://tgb-seq.github.io/で公開されている。

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)
Efficient User Sequence Learning for Online Services via Compressed Graph Neural Networks [18.068737439570402]
グラフニューラルネットワーク(GNN)は、モデルシーケンス関係に広く適用され、類似したシーケンスから情報を抽出している。本稿では,ユーザシーケンス表現学習のための関係モデリングにグラフ圧縮技術を導入するため,ECSeqという新しい統合フレームワークを提案する。
論文参考訳（メタデータ） (2024-06-05T06:22:11Z)
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)
TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based Recommendations [5.602191038593571]
テンポラルグラフニューラルネットワーク(TempGNN)は、複雑なアイテム遷移における構造的・時間的ダイナミクスを捉えるための一般的なフレームワークである。 TempGNNは、2つの現実世界のEコマースデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-10-20T03:13:10Z)
Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。 TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
論文参考訳（メタデータ） (2023-07-03T13:58:20Z)
Autoregressive GNN-ODE GRU Model for Network Dynamics [7.272158647379444]
本稿では,AGOG(Autoregressive GNN-ODE GRU Model)を提案する。我々のモデルは複雑なシステムの連続的動的過程を正確に捉え、最小限の誤差でノード状態の予測を行うことができる。
論文参考訳（メタデータ） (2022-11-19T05:43:10Z)
Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive Benchmark Study [100.27567794045045]
ディープグラフニューラルネットワーク(GNN)のトレーニングは、非常に難しい。我々は、深層GNNの「トリック」を評価するための最初の公正かつ再現可能なベンチマークを示す。
論文参考訳（メタデータ） (2021-08-24T05:00:37Z)
Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution [18.309299822858243]
DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。 DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
論文参考訳（メタデータ） (2021-04-30T11:25:43Z)
Temporal Graph Networks for Deep Learning on Dynamic Graphs [4.5158585619109495]
時系列グラフネットワーク(TGN)は,時系列イベントのシーケンスとして表される動的グラフの深層学習のための汎用的で効率的なフレームワークである。メモリモジュールとグラフベースの演算子を組み合わせた新しい組み合わせにより、TGNは、計算効率が向上した以前のアプローチを大幅に上回ることができる。
論文参考訳（メタデータ） (2020-06-18T16:06:18Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。