論文の概要: Transfer Learning for Temporal Link Prediction

• arxiv url: http://arxiv.org/abs/2504.10925v1
• Date: Tue, 15 Apr 2025 07:12:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:25.804031
• Title: Transfer Learning for Temporal Link Prediction
• Title（参考訳）: 時間リンク予測のための伝達学習
• Authors: Ayan Chatterjee, Barbara Ikica, Babak Ravandi, John Palowitch,
• Abstract要約: 時間的リンク予測(TLP)は、時間的に進化するグラフにおける将来のリンクを予測することを指す。 メモリモジュールは、列車時に見られるノードに関する情報のみを格納する。 メモリラデンモデルのための転送効率向上手法を開発した。
• 参考スコア（独自算出の注目度）: 1.8932585560127182
• License:
• Abstract: Link prediction on graphs has applications spanning from recommender systems to drug discovery. Temporal link prediction (TLP) refers to predicting future links in a temporally evolving graph and adds additional complexity related to the dynamic nature of graphs. State-of-the-art TLP models incorporate memory modules alongside graph neural networks to learn both the temporal mechanisms of incoming nodes and the evolving graph topology. However, memory modules only store information about nodes seen at train time, and hence such models cannot be directly transferred to entirely new graphs at test time and deployment. In this work, we study a new transfer learning task for temporal link prediction, and develop transfer-effective methods for memory-laden models. Specifically, motivated by work showing the informativeness of structural signals for the TLP task, we augment a structural mapping module to the existing TLP model architectures, which learns a mapping from graph structural (topological) features to memory embeddings. Our work paves the way for a memory-free foundation model for TLP.
• Abstract（参考訳）: グラフ上のリンク予測は、推奨システムから薬物発見まで幅広い応用がある。 時間的リンク予測(TLP)は、時間的に進化するグラフにおける将来のリンクを予測し、グラフの動的性質に関連する追加の複雑さを追加することを指す。 最先端のTLPモデルは、グラフニューラルネットワークと共にメモリモジュールを組み込んで、入ってくるノードの時間的メカニズムと進化するグラフトポロジの両方を学ぶ。 しかしながら、メモリモジュールは、トレイン時に見られるノードに関する情報のみを保持するため、テスト時間とデプロイ時に、そのようなモデルを全く新しいグラフに直接転送することはできない。 本研究では,時間的リンク予測のための新しい転送学習タスクについて検討し,メモリラデンモデルのための転送効率向上手法を開発した。 具体的には、TLPタスクにおける構造信号の情報性を示す作業によって動機付けられ、既存のTLPモデルアーキテクチャに構造マッピングモジュールを追加し、グラフ構造(トポロジカル)特徴からメモリ埋め込みへのマッピングを学習する。 我々の研究は、TLPのメモリフリー基盤モデルへの道を開いた。

関連論文リスト

• 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)
• Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
  S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。 このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
  論文  参考訳（メタデータ） (2022-02-25T10:02:49Z)
• PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
  我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。 PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。 提案したモデルでは,すべてのデータセットの一貫性を保ちながら,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） (2022-02-18T02:15:44Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Temporal Contrastive Graph Learning for Video Action Recognition and Retrieval [83.56444443849679]
  本研究では,動画内の時間依存性を利用して,TCGL (temporal Contrastive Graph Learning) という新たな自己監督手法を提案する。 TCGLは、スニペット間およびスニペット内時間依存性を時間表現学習のための自己監督信号として共同で評価するハイブリッドグラフコントラスト学習戦略をルーツとしています。 実験結果は、大規模アクション認識およびビデオ検索ベンチマークにおける最先端の方法よりも、TCGLの優位性を示しています。
  論文  参考訳（メタデータ） (2021-01-04T08:11:39Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Inductive Representation Learning on Temporal Graphs [33.44276155380476]
  時間的動的グラフは、新しいノードの処理と時間的パターンのキャプチャを必要とする。 本研究では,時間-トポロジ的特徴を効率的に集約する時間グラフアテンション層を提案する。 TGAT層を積み重ねることで、ネットワークはノードの埋め込みを時間の関数として認識し、新しいノードと観測されたノードの両方の埋め込みを誘導的に推論することができる。
  論文  参考訳（メタデータ） (2020-02-19T02:05:37Z)

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。