論文の概要: TMetaNet: Topological Meta-Learning Framework for Dynamic Link Prediction

• arxiv url: http://arxiv.org/abs/2506.00453v1
• Date: Sat, 31 May 2025 08:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.082236
• Title: TMetaNet: Topological Meta-Learning Framework for Dynamic Link Prediction
• Title（参考訳）: TMetaNet:動的リンク予測のためのトポロジ的メタラーニングフレームワーク
• Authors: Hao Li, Hao Wan, Yuzhou Chen, Dongsheng Ye, Yulia Gel, Hao Jiang,
• Abstract要約: 動的トポロジ的特徴に基づくメタラーニングパラメータ更新モデルTMetaNetを提案する。 私たちのコードはhttps://github.com/Lihaogx/TMetaNet.comから入手可能です。
• 参考スコア（独自算出の注目度）: 18.20278148969543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic graphs evolve continuously, presenting challenges for traditional graph learning due to their changing structures and temporal dependencies. Recent advancements have shown potential in addressing these challenges by developing suitable meta-learning-based dynamic graph neural network models. However, most meta-learning approaches for dynamic graphs rely on fixed weight update parameters, neglecting the essential intrinsic complex high-order topological information of dynamically evolving graphs. We have designed Dowker Zigzag Persistence (DZP), an efficient and stable dynamic graph persistent homology representation method based on Dowker complex and zigzag persistence, to capture the high-order features of dynamic graphs. Armed with the DZP ideas, we propose TMetaNet, a new meta-learning parameter update model based on dynamic topological features. By utilizing the distances between high-order topological features, TMetaNet enables more effective adaptation across snapshots. Experiments on real-world datasets demonstrate TMetaNet's state-of-the-art performance and resilience to graph noise, illustrating its high potential for meta-learning and dynamic graph analysis. Our code is available at https://github.com/Lihaogx/TMetaNet.
• Abstract（参考訳）: 動的グラフは継続的に進化し、その構造や時間的依存関係が変化するため、従来のグラフ学習の課題を提示します。 近年の進歩は、メタラーニングに基づく動的グラフニューラルネットワークモデルを開発することで、これらの課題に対処する可能性を示している。 しかし、動的グラフに対するほとんどのメタラーニングアプローチは、動的に進化するグラフの本質的な複雑な高次位相情報を無視して、固定重み更新パラメータに依存している。 我々は、動的グラフの高次特徴を捉えるために、Douker ComplexとZigzag Persistence(DZP)をベースとした、効率的で安定した動的グラフ永続ホモロジー表現法であるDouker Zigzag Persistence(DZP)を設計した。 DZPのアイデアに則り、動的トポロジ的特徴に基づく新しいメタラーニングパラメータ更新モデルTMetaNetを提案する。 高次のトポロジ的特徴間の距離を利用することで、TMetaNetはスナップショット間のより効果的な適応を可能にする。 実世界のデータセットの実験では、TMetaNetの最先端のパフォーマンスとグラフノイズに対するレジリエンスが実証され、メタラーニングと動的グラフ解析の可能性が示された。 私たちのコードはhttps://github.com/Lihaogx/TMetaNet.comから入手可能です。

関連論文リスト

• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• Retrieval Augmented Generation for Dynamic Graph Modeling [15.09162213134372]
  動的グラフモデリングのための新しいフレームワークRetrieval-Augmented Generation(RAG4DyG)を提案する。 RAG4DyGは、より広いグラフ構造から文脈的および時間的に関連する例を組み込むことで、動的グラフ予測を強化する。 提案するフレームワークは、トランスダクティブシナリオとインダクティブシナリオの両方に有効であるように設計されている。
  論文  参考訳（メタデータ） (2024-08-26T09:23:35Z)
• Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
  動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。 提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Node-Time Conditional Prompt Learning In Dynamic Graphs [14.62182210205324]
  DYGPROMPTは動的グラフモデリングのための新しい事前学習および迅速な学習フレームワークである。 我々はノードと時間の特徴が相互に特徴付けることを認識し、下流タスクにおけるノード時間パターンの進化をモデル化するための2つの条件ネットを提案する。
  論文  参考訳（メタデータ） (2024-05-22T19:10:24Z)
• Dynamic Graph Representation Learning with Neural Networks: A Survey [0.0]
  動的グラフ表現は新しい機械学習問題として現れた。 本稿では,動的グラフ学習に関連する問題とモデルをレビューすることを目的とする。
  論文  参考訳（メタデータ） (2023-04-12T09:39:17Z)
• 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)
• 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)
• 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)
• 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)

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。