論文の概要: Efficient Discovery of Motif Transition Process for Large-Scale Temporal Graphs

• arxiv url: http://arxiv.org/abs/2504.15979v1
• Date: Tue, 22 Apr 2025 15:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 17:42:28.133202
• Title: Efficient Discovery of Motif Transition Process for Large-Scale Temporal Graphs
• Title（参考訳）: 大規模時間グラフのためのモチーフ遷移過程の効率的な発見
• Authors: Zhiyuan Zheng, Jianpeng Qi, Jiantao Li, Guoqing Chao, Junyu Dong, Yanwei Yu,
• Abstract要約: PTMTは、大規模な時間グラフにおける遷移過程を発見するための新しい方法である。 ツリーベースのフレームワークと時間と構造によって時間的ゾーンを分割する時間的ゾーン(TZP)戦略を統合する。 10の実世界のデータセットの結果、PTMTのスピードアップはSOTA法と比較すると12.0$times$ 50.3$times$である。
• 参考スコア（独自算出の注目度）: 28.680759318270727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the dynamic transition of motifs in temporal graphs is essential for revealing how graph structures evolve over time, identifying critical patterns, and predicting future behaviors, yet existing methods often focus on predefined motifs, limiting their ability to comprehensively capture transitions and interrelationships. We propose a parallel motif transition process discovery algorithm, PTMT, a novel parallel method for discovering motif transition processes in large-scale temporal graphs. PTMT integrates a tree-based framework with the temporal zone partitioning (TZP) strategy, which partitions temporal graphs by time and structure while preserving lossless motif transitions and enabling massive parallelism. PTMT comprises three phases: growth zone parallel expansion, overlap-aware result aggregation, and deterministic encoding of motif transitions, ensuring accurate tracking of dynamic transitions and interactions. Results on 10 real-world datasets demonstrate that PTMT achieves speedups ranging from 12.0$\times$ to 50.3$\times$ compared to the SOTA method.
• Abstract（参考訳）: 時間グラフにおけるモチーフの動的遷移を理解することは、時間とともにグラフ構造がどのように進化するかを明らかにするのに不可欠であり、重要なパターンを特定し、将来の振る舞いを予測する。 大規模時間グラフにおけるモチーフ遷移過程を発見するための新しい並列手法である並列モチーフ遷移過程探索アルゴリズムPTMTを提案する。 PTMTは、時間と構造によって時間的グラフを分割し、損失のないモチーフ遷移を保持し、巨大な並列化を可能にする、時間的ゾーン分割(TZP)戦略とツリーベースのフレームワークを統合している。 PTMTは、成長ゾーンの並列展開、重複認識結果の集約、モチーフ遷移の決定論的符号化、動的遷移と相互作用の正確な追跡の3段階からなる。 10の実世界のデータセットの結果、PTMTはSOTA法と比較して12.0$\times$から50.3$\times$までのスピードアップを達成した。

関連論文リスト

• Temporal Attention Evolutional Graph Convolutional Network for Multivariate Time Series Forecasting [2.6138578479379104]
  本稿ではTAEGCN(Temporal Attention Evolutional Graph Convolutional Network)を紹介する。 TAEGCNは、データ内の時間的因果関係と隠れた空間的依存関係を受信する。 METR-LAとPEMS-BAYの2つの公共交通ネットワークデータセットで行った実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2025-05-01T04:50:00Z)
• ScaDyG:A New Paradigm for Large-scale Dynamic Graph Learning [31.629956388962814]
  ScaDyGは動的グラフネットワークのためのタイムアウェアなスケーラブルな学習パラダイムである。 12のデータセットの実験では、ScaDyGは、ノードレベルとリンクレベルの両方の下流タスクにおいて、互換性のあるパフォーマンス、あるいは他のSOTAメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-01-27T12:39:16Z)
• Community-Aware Temporal Walks: Parameter-Free Representation Learning on Continuous-Time Dynamic Graphs [3.833708891059351]
  Community-Aware Temporal Walks (CTWalks)は、連続時間動的グラフ上での表現学習のための新しいフレームワークである。 CTWalksは、コミュニティベースのパラメータフリー時間ウォークサンプリング機構、コミュニティラベルに富んだ匿名化戦略、エンコーディングプロセスを統合する。 ベンチマークデータセットの実験では、CTWalksは時間リンク予測タスクにおいて確立された手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-21T04:16:46Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• 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)
• Using Motif Transitions for Temporal Graph Generation [0.0]
  我々は,現実的なグローバルな特徴と局所的な特徴を持つ合成時間ネットワークを生成するための実用的な時間グラフ生成装置を開発した。 私たちのキーとなるアイデアは、新しいイベントの到着を時間的モチーフ移行プロセスとしてモデル化することです。 我々は,グローバルおよびローカルな時間グラフ統計と実行時性能の保存に関して,モデルがベースラインを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-06-19T22:53:42Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• 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)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)

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。