論文の概要: Trajectory Encoding Temporal Graph Networks

• arxiv url: http://arxiv.org/abs/2504.11386v1
• Date: Tue, 15 Apr 2025 16:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:22.830330
• Title: Trajectory Encoding Temporal Graph Networks
• Title（参考訳）: 時間グラフネットワークの軌道符号化
• Authors: Jiafeng Xiong, Rizos Sakellariou,
• Abstract要約: 時間グラフネットワーク(TGN)はリンク予測やノード分類といった動的グラフタスクにおいて大きな成功を収めている。 既存のTGNの設計は、これらの二重シナリオの下でジレンマに直面している。 時間的および構造的な情報のみに依存する匿名のTGNは、強い帰納的一般化を提供するが、既知のノードの識別に苦労する。 対照的に、匿名でないTGNはノード機能を活用して、トランスダクティブなタスクを最適化するが、新しいノードに適応できない。
• 参考スコア（独自算出の注目度）: 1.3728301825671199
• License:
• Abstract: Temporal Graph Networks (TGNs) have demonstrated significant success in dynamic graph tasks such as link prediction and node classification. Both tasks comprise transductive settings, where the model predicts links among known nodes, and in inductive settings, where it generalises learned patterns to previously unseen nodes. Existing TGN designs face a dilemma under these dual scenarios. Anonymous TGNs, which rely solely on temporal and structural information, offer strong inductive generalisation but struggle to distinguish known nodes. In contrast, non-anonymous TGNs leverage node features to excel in transductive tasks yet fail to adapt to new nodes. To address this challenge, we propose Trajectory Encoding TGN (TETGN). Our approach introduces automatically expandable node identifiers (IDs) as learnable temporal positional features and performs message passing over these IDs to capture each node's historical context. By integrating this trajectory-aware module with a standard TGN using multi-head attention, TETGN effectively balances transductive accuracy with inductive generalisation. Experimental results on three real-world datasets show that TETGN significantly outperforms strong baselines on both link prediction and node classification tasks, demonstrating its ability to unify the advantages of anonymous and non-anonymous models for dynamic graph learning.
• Abstract（参考訳）: 時間グラフネットワーク(TGN)はリンク予測やノード分類といった動的グラフタスクにおいて大きな成功を収めている。 どちらのタスクも、既知のノード間のリンクをモデルが予測するトランスダクティブ設定と、以前に見つからなかったノードに学習パターンを一般化するインダクティブ設定で構成されている。 既存のTGNの設計は、これらの二重シナリオの下でジレンマに直面している。 時間的および構造的な情報のみに依存する匿名のTGNは、強い帰納的一般化を提供するが、既知のノードの識別に苦労する。 対照的に、匿名でないTGNはノード機能を活用して、トランスダクティブなタスクを最適化するが、新しいノードに適応できない。 この課題に対処するため,TGN (Torjectory Encoding TGN) を提案する。 提案手法では,学習可能な時間的特徴として自動的に拡張可能なノード識別子(ID)を導入し,各ノードの履歴コンテキストをキャプチャするために,これらのID上でメッセージパッシングを行う。 この軌道認識モジュールをマルチヘッドアテンションを用いて標準TGNと統合することにより、TETGNは帰納的精度と帰納的一般化とを効果的にバランスさせる。 3つの実世界のデータセットによる実験結果から、TETGNはリンク予測とノード分類タスクの両方において、強力なベースラインを著しく上回り、動的グラフ学習における匿名モデルと非匿名モデルの利点を統一する能力を示している。

関連論文リスト

• Enhancing the Expressivity of Temporal Graph Networks through Source-Target Identification [2.06242362470764]
  我々は、TGNの定式化は、メッセージ上での予測や移動平均を表現できないことを示した。 本稿では,各インタラクションイベントメッセージにソースターゲット識別を追加することで,TGNの表現性を高めることを提案する。 提案手法であるTGNv2は,時間グラフベンチマーク(TGB)の動的ノード親和性予測データセットにおいて,TGNと現在のTGモデルを著しく上回っている。
  論文  参考訳（メタデータ） (2024-11-06T01:20:24Z)
• Node Identifiers: Compact, Discrete Representations for Efficient Graph Learning [10.018324412893287]
  本稿では、高コンパクト(典型的には6-15次元)、離散(int4型)、解釈可能なノード表現を生成する新しいエンドツーエンドフレームワークを提案する。 ベクトル量子化を用いることで、グラフニューラルネットワーク(GNN)の複数層からの連続ノード埋め込みを離散コードに圧縮する。 これらのノードIDはグラフデータの高レベルな抽象化をキャプチャし、従来のGNN埋め込みに欠けている解釈性を提供する。
  論文  参考訳（メタデータ） (2024-05-26T05:22:38Z)
• Edge Conditional Node Update Graph Neural Network for Multi-variate Time Series Anomaly Detection [35.299242563565315]
  エッジ条件付きノード更新グラフニューラルネットワーク(ECNU-GNN)を導入する。 我々のモデルはエッジ条件付きノード更新モジュールを備えており、接続されたエッジに基づいてソースノード表現を動的に変換し、ターゲットノードを適切に表現する。 実世界の3つのデータセット(SWaT, WADI, PSM)の性能を検証した。
  論文  参考訳（メタデータ） (2024-01-25T00:47:44Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Integrating Transductive And Inductive Embeddings Improves Link Prediction Accuracy [24.306445780189005]
  帰納的グラフ埋め込みモデル、例えば、グラフニューラルネットワーク(GNN)は、オンラインソーシャルネットワークにおけるリンク予測(LP)において、ますます正確になっている。 多様なGNN変種に対して,Node2Vecから得られたノード表現ベクトルが,GNNの高品質な入力機能として機能することを実証した。
  論文  参考訳（メタデータ） (2021-08-23T12:24:20Z)
• Graph Attention Networks with Positional Embeddings [7.552100672006174]
  グラフニューラルネットワーク(GNN)は、ノード分類タスクにおける芸術的パフォーマンスの現在の状態を提供するディープラーニング手法である。 本論文では,GATを位置埋め込みで強化するフレームワークであるG Graph Attentional Networks with Positional Embeddings(GAT-POS)を提案する。 GAT-POSは、強いGNNベースラインや、非ホモフィルグラフ上の最近の構造埋め込み強化GNNと比較して著しく改善されている。
  論文  参考訳（メタデータ） (2021-05-09T22:13:46Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• 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)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。