論文の概要: Classification of Temporal Graphs using Persistent Homology
- arxiv url: http://arxiv.org/abs/2502.10076v1
- Date: Fri, 14 Feb 2025 10:55:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 18:06:19.460944
- Title: Classification of Temporal Graphs using Persistent Homology
- Title(参考訳): Persistent Homology を用いた時間グラフの分類
- Authors: Siddharth Pritam, Rohit Roy, Madhav Cherupilil Sajeev,
- Abstract要約: 時間グラフは、相互作用をタイムスタンプ付きエッジとして表現することで、動的システムを効果的にモデル化する。
永続ホモロジーを用いた時間グラフ解析のための新しい手法を提案する。
我々のアプローチはノードクラスフリーであり、広範囲の時間グラフ解析に柔軟性を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Temporal graphs effectively model dynamic systems by representing interactions as timestamped edges. However, analytical tools for temporal graphs are limited compared to static graphs. We propose a novel method for analyzing temporal graphs using Persistent Homology. Our approach leverages $\delta$-temporal motifs (recurrent subgraphs) to capture temporal dynamics %without aggregation . By evolving these motifs, we define the \textit{average filtration} and compute PH on the associated clique complex. This method captures both local and global temporal structures and is stable with respect to reference models. We demonstrate the applicability of our approach to the temporal graph classification task. Experiments verify the effectiveness of our approach, achieving over 92\% accuracy, with some cases reaching 100\%. Unlike existing methods that require node classes, our approach is node class free, offering flexibility for a wide range of temporal graph analysis.
- Abstract(参考訳): 時間グラフは、相互作用をタイムスタンプ付きエッジとして表現することで、動的システムを効果的にモデル化する。
しかし、時間グラフの分析ツールは静的グラフと比較して限られている。
永続ホモロジーを用いて時間グラフを解析する新しい手法を提案する。
提案手法では, 時間的モチーフを$\delta$-temporal motifs (recurrent subgraphs) を用いて, 集約なしで時間的ダイナミクスを捕捉する。
これらのモチーフを進化させることで、 \textit{average filtration} を定義し、関連するclique複素数上でPHを計算する。
この方法は局所時間構造と大域時間構造の両方を捕捉し、参照モデルに対して安定である。
時間グラフ分類タスクへのアプローチの適用性を実証する。
実験では, 提案手法の有効性を検証し, 精度92\%以上, 場合によっては100\%に達する場合があった。
ノードクラスを必要とする既存のメソッドとは異なり、我々のアプローチはノードクラスフリーであり、広範囲の時間グラフ解析に柔軟性を提供する。
関連論文リスト
- Adaptive Sparsified Graph Learning Framework for Vessel Behavior Anomalies [3.3711670942444014]
グラフニューラルネットワークは、正確なインタラクションを学習するための強力なツールとして登場した。
本稿では,エッジをタイムスタンプノードとしてモデル化した革新的なグラフ表現を提案する。
この設定は、グラフの間隔を保ちながら空間的相互作用をキャプチャするマルチシップグラフを構築するために拡張される。
論文 参考訳(メタデータ) (2025-02-20T02:01:40Z) - Graph-Level Embedding for Time-Evolving Graphs [24.194795771873046]
グラフ表現学習(ネットワーク埋め込みとも呼ばれる)は、様々なレベルの粒度で広く研究されている。
本稿では,このギャップに対処する時間グラフレベルの埋め込み手法を提案する。
論文 参考訳(メタデータ) (2023-06-01T01:50:37Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳(メタデータ) (2023-05-18T06:17:50Z) - 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) - FTM: A Frame-level Timeline Modeling Method for Temporal Graph
Representation Learning [47.52733127616005]
本稿では,短期的特徴と長期的特徴の両方を捉えるのに役立つフレームレベルタイムラインモデリング(FTM)手法を提案する。
我々の手法は、ほとんどの時間的GNNで簡単に組み立てることができる。
論文 参考訳(メタデータ) (2023-02-23T06:53:16Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - 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) - From Static to Dynamic Node Embeddings [61.58641072424504]
本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。
提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。
トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
論文 参考訳(メタデータ) (2020-09-21T16:48:29Z) - Time-varying Graph Representation Learning via Higher-Order Skip-Gram
with Negative Sampling [0.456877715768796]
我々は,スキップグラム埋め込み手法が行列分解を暗黙的に行うという事実に基づいて構築する。
負のサンプリングを持つ高次スキップグラムは、ノードと時間の役割を乱すことができることを示す。
提案手法を時間分解型対面近接データを用いて実証的に評価し,学習した時間変化グラフ表現が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-06-25T12:04:48Z)
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。