論文の概要: Quality Measures for Dynamic Graph Generative Models
- arxiv url: http://arxiv.org/abs/2503.01720v1
- Date: Mon, 03 Mar 2025 16:36:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:16:33.549980
- Title: Quality Measures for Dynamic Graph Generative Models
- Title（参考訳）: 動的グラフ生成モデルの品質対策
- Authors: Ryien Hosseini, Filippo Simini, Venkatram Vishwanath, Rebecca Willett, Henry Hoffmann,
- Abstract要約: 動的グラフの生成モデルの評価は,出力の可視化が難しいため困難である。
動的グラフデータにランダムなプロジェクションを直接適用したtextitJohnson-Lindenstrauss lemma に基づく新しい計量法を提案する。
- 参考スコア（独自算出の注目度）: 11.53386982348999
- License:
- Abstract: Deep generative models have recently achieved significant success in modeling graph data, including dynamic graphs, where topology and features evolve over time. However, unlike in vision and natural language domains, evaluating generative models for dynamic graphs is challenging due to the difficulty of visualizing their output, making quantitative metrics essential. In this work, we develop a new quality metric for evaluating generative models of dynamic graphs. Current metrics for dynamic graphs typically involve discretizing the continuous-evolution of graphs into static snapshots and then applying conventional graph similarity measures. This approach has several limitations: (a) it models temporally related events as i.i.d. samples, failing to capture the non-uniform evolution of dynamic graphs; (b) it lacks a unified measure that is sensitive to both features and topology; (c) it fails to provide a scalar metric, requiring multiple metrics without clear superiority; and (d) it requires explicitly instantiating each static snapshot, leading to impractical runtime demands that hinder evaluation at scale. We propose a novel metric based on the \textit{Johnson-Lindenstrauss} lemma, applying random projections directly to dynamic graph data. This results in an expressive, scalar, and application-agnostic measure of dynamic graph similarity that overcomes the limitations of traditional methods. We also provide a comprehensive empirical evaluation of metrics for continuous-time dynamic graphs, demonstrating the effectiveness of our approach compared to existing methods. Our implementation is available at https://github.com/ryienh/jl-metric.
- Abstract（参考訳）: 深層生成モデルは、トポロジと機能が時間とともに進化する動的なグラフを含むグラフデータのモデリングにおいて、最近大きな成功を収めている。
しかしながら、視覚や自然言語の領域とは異なり、動的グラフの生成モデルを評価することは、その出力を可視化することが困難であるため困難である。
本研究では,動的グラフの生成モデルを評価するための新しい品質指標を開発する。
動的グラフの現在のメトリクスは、通常、グラフの連続進化を静的スナップショットに離散化し、続いて従来のグラフ類似度尺度を適用する。
このアプローチにはいくつかの制限があります。
a) 動的グラフの非一様進化を捉えるのに失敗し、時間的関連事象をサンプルとしてモデル化する。
b) 特徴とトポロジーの両方に敏感な統一的な尺度が欠けていること。
(c)スカラー測度の提供に失敗し、明確な優位性なしに複数の測度を必要とする。
(d) 静的スナップショットを明示的にインスタンス化する必要があるため、大規模な評価を阻害する実行時要求が非現実的になる。
本稿では,動的グラフデータに直接ランダムなプロジェクションを適用することを目的とした,textit{Johnson-Lindenstrauss} lemma に基づく新しい計量法を提案する。
この結果、従来の手法の限界を克服する動的グラフ類似性の表現的、スカラー的、およびアプリケーションに依存しない尺度が得られる。
また、連続時間動的グラフのメトリクスを包括的に評価し、既存の手法と比較してアプローチの有効性を実証する。
実装はhttps://github.com/ryienh/jl-metric.comで公開しています。
関連論文リスト
- A Deep Probabilistic Framework for Continuous Time Dynamic Graph Generation [4.568104644312763]
このアプローチを連続時間動的グラフの生成フレームワークであるDG-Genとして定式化する。
実験により,DG-Genは従来の手法に比べて高忠実度グラフを生成するだけでなく,リンク予測タスクも大幅に向上することが示された。
論文 参考訳（メタデータ） (2024-12-20T05:34:11Z) - Retrieval Augmented Generation for Dynamic Graph Modeling [15.09162213134372]
動的グラフモデリングは、様々なアプリケーションで進化するパターンを分析するのに不可欠である。
既存のアプローチは、しばしばグラフニューラルネットワークと時間モジュールを統合するか、生成シーケンスタスクとして動的グラフモデリングを再定義する。
本稿では,動的グラフモデリング(RAG4DyG)フレームワークについて紹介する。
論文 参考訳（メタデータ） (2024-08-26T09:23:35Z) - 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) - 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) - Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:07:46Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - 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) - Explanation Graph Generation via Pre-trained Language Models: An
Empirical Study with Contrastive Learning [84.35102534158621]
エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。
本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。
提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
論文 参考訳（メタデータ） (2022-04-11T00:58:27Z) - Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。
EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
論文 参考訳（メタデータ） (2021-12-14T22:24:53Z) - Dynamic Graph Learning-Neural Network for Multivariate Time Series
Modeling [2.3022070933226217]
静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。
モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。
ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-12-06T08:19:15Z) - Online Graph Learning in Dynamic Environments [5.222057229549077]
本稿では,動的環境におけるシーケンシャルデータの場合の学習グラフに焦点を当てる。
逐次データに対して,従来のバッチグラフ学習手法のオンライン版を開発する。
論文 参考訳（メタデータ） (2021-10-11T06:24:30Z)
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。