論文の概要: Weisfeiler and Leman Follow the Arrow of Time: Expressive Power of Message Passing in Temporal Event Graphs

• arxiv url: http://arxiv.org/abs/2505.24438v1
• Date: Fri, 30 May 2025 10:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.900111
• Title: Weisfeiler and Leman Follow the Arrow of Time: Expressive Power of Message Passing in Temporal Event Graphs
• Title（参考訳）: Weisfeiler and Leman Follow the Arrow of Time: Expressive Power of Message Passing in Temporal Event Graphs
• Authors: Franziska Heeg, Jonas Sauer, Petra Mutzel, Ingo Scholtes,
• Abstract要約: 時間的グラフにおける時間的参照パスの時間的展開表現を利用する一貫したイベントグラフ同型の概念を導入する。 本稿では,時間グラフのイベントグラフ表現に基づく時間グラフニューラルネットワークのための新しいメッセージパッシング方式を提案する。
• 参考スコア（独自算出の注目度）: 2.9561405287476177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An important characteristic of temporal graphs is how the directed arrow of time influences their causal topology, i.e., which nodes can possibly influence each other causally via time-respecting paths. The resulting patterns are often neglected by temporal graph neural networks (TGNNs). To formally analyze the expressive power of TGNNs, we lack a generalization of graph isomorphism to temporal graphs that fully captures their causal topology. Addressing this gap, we introduce the notion of consistent event graph isomorphism, which utilizes a time-unfolded representation of time-respecting paths in temporal graphs. We compare this definition with existing notions of temporal graph isomorphisms. We illustrate and highlight the advantages of our approach and develop a temporal generalization of the Weisfeiler-Leman algorithm to heuristically distinguish non-isomorphic temporal graphs. Building on this theoretical foundation, we derive a novel message passing scheme for temporal graph neural networks that operates on the event graph representation of temporal graphs. An experimental evaluation shows that our approach performs well in a temporal graph classification experiment.
• Abstract（参考訳）: 時間グラフの重要な特徴は、時間方向の矢印がその因果トポロジーにどのように影響するかである。 結果として生じるパターンは、時間グラフニューラルネットワーク(TGNN)によって無視されることが多い。 TGNNの表現力を形式的に解析するには、その因果トポロジーを完全に捉えた時相グラフへのグラフ同型(英語版)の一般化が欠如している。 このギャップに対処するために、時間的グラフにおける時間的参照パスの時間的展開表現を利用する、一貫したイベントグラフ同型の概念を導入する。 この定義を時間グラフ同型の概念と比較する。 我々は、我々のアプローチの利点を説明し、非同型時間グラフをヒューリスティックに区別するWeisfeiler-Lemanアルゴリズムの時間一般化を開発する。 この理論基盤に基づいて、時間グラフのイベントグラフ表現に基づいて動作する時間グラフニューラルネットワークのための新しいメッセージパッシングスキームを導出する。 実験により,時間グラフ分類実験において,本手法の有効性が示された。

関連論文リスト

• Inference of Sequential Patterns for Neural Message Passing in Temporal Graphs [0.6562256987706128]
  HYPA-DBGNNは、グラフ上の時系列データにおける異常なシーケンシャルパターンの推論を組み合わせた、新しい2段階のアプローチである。 本手法は超幾何グラフアンサンブルを利用して1階グラフと高階グラフの両方において異常なエッジを同定する。 我々の研究は、時間的および因果配列異常を利用した統計的に情報を得たGNNを初めて導入した。
  論文  参考訳（メタデータ） (2024-06-24T11:41:12Z)
• An embedding-based distance for temporal graphs [3.703194328049199]
  時間参照ランダムウォークに基づく埋め込みを用いて、時間グラフ間の距離の新しい概念を導入する。 この距離は、異なるノード数と異なる時間間隔を持つ時間グラフのペアに対してよく定義されている。 我々は、位相的および時間的特性の異なる微分グラフを導入する距離を示す。
  論文  参考訳（メタデータ） (2024-01-23T15:25:21Z)
• 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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• 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)
• 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)
• On the Equivalence Between Temporal and Static Graph Representations for Observational Predictions [10.759470206355145]
  時相グラフにおけるノード表現は、時間とグラフと時間という2つの異なるフレームワークにキャストできることを示す。 実世界のタスクにおいて,リアルタイムのタイム・アンド・グラフ法よりも優れた性能と効率を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-03-12T00:31:33Z)

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。