論文の概要: Understanding and Improving Laplacian Positional Encodings For Temporal GNNs

• arxiv url: http://arxiv.org/abs/2506.01596v1
• Date: Mon, 02 Jun 2025 12:30:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.37567
• Title: Understanding and Improving Laplacian Positional Encodings For Temporal GNNs
• Title（参考訳）: 時空間GNNにおけるラプラシアン位置符号化の理解と改善
• Authors: Yaniv Galron, Fabrizio Frasca, Haggai Maron, Eran Treister, Moshe Eliasof,
• Abstract要約: 本稿では,超ラプラシアンエンコーディングと時間スライスエンコーディングを接続する理論的枠組みを提案する。 また,5万のアクティブノードを持つグラフにスケーリングしながら,最大56倍の高速実行を実現し,計算オーバーヘッドを削減する新たな手法も導入する。 その結果, 位置符号化は特定のシナリオにおける性能を著しく向上させるが, その効果はモデルによって異なることがわかった。
• 参考スコア（独自算出の注目度）: 24.209908552258632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal graph learning has applications in recommendation systems, traffic forecasting, and social network analysis. Although multiple architectures have been introduced, progress in positional encoding for temporal graphs remains limited. Extending static Laplacian eigenvector approaches to temporal graphs through the supra-Laplacian has shown promise, but also poses key challenges: high eigendecomposition costs, limited theoretical understanding, and ambiguity about when and how to apply these encodings. In this paper, we address these issues by (1) offering a theoretical framework that connects supra-Laplacian encodings to per-time-slice encodings, highlighting the benefits of leveraging additional temporal connectivity, (2) introducing novel methods to reduce the computational overhead, achieving up to 56x faster runtimes while scaling to graphs with 50,000 active nodes, and (3) conducting an extensive experimental study to identify which models, tasks, and datasets benefit most from these encodings. Our findings reveal that while positional encodings can significantly boost performance in certain scenarios, their effectiveness varies across different models.
• Abstract（参考訳）: 時間グラフ学習はレコメンデーションシステム、トラフィック予測、ソーシャルネットワーク分析に応用されている。 複数のアーキテクチャが導入されたが、時間グラフの位置エンコーディングの進歩は依然として限られている。 時相グラフへの静的ラプラシア固有ベクトルアプローチを超ラプラシア式を通して拡張することは有望であるが、高い固有分解コスト、限られた理論的理解、これらのエンコーディングのいつ、どのように適用するかの曖昧さといった重要な課題も生じている。 本稿では,(1)超ラプラシア語エンコーディングを時間単位のスライスエンコーディングに接続する理論的フレームワークの提供,(2)計算オーバーヘッドを削減する新しい手法の導入,5万のアクティブノードを持つグラフへのスケーリング中に56倍の高速化を実現すること,(3)どのモデル,タスク,データセットがこれらのエンコーディングから最も恩恵を受けるかを明らかにするための広範な実験的研究を行うことによって,これらの課題に対処する。 その結果, 位置符号化は特定のシナリオにおける性能を著しく向上させるが, その効果はモデルによって異なることがわかった。

関連論文リスト

• 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)
• Gegenbauer Graph Neural Networks for Time-varying Signal Reconstruction [4.6210788730570584]
  時間変化グラフ信号は、幅広い応用を伴う機械学習と信号処理において重要な問題である。 本稿では,下流タスクの精度を高めるために学習モジュールを組み込んだ新しい手法を提案する。 提案手法の有効性を評価するために,実データセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2024-03-28T19:29:17Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• DyG2Vec: Efficient Representation Learning for Dynamic Graphs [26.792732615703372]
  時間グラフニューラルネットワークは、時間パターンを自動的に抽出することで、帰納的表現の学習において有望な結果を示している。 時間的エッジエンコーディングとウィンドウベースのサブグラフサンプリングを利用してタスクに依存しない埋め込みを生成する。
  論文  参考訳（メタデータ） (2022-10-30T18:13:04Z)
• Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
  グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。 ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。 本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-14T09:47:38Z)
• ZippyPoint: Fast Interest Point Detection, Description, and Matching through Mixed Precision Discretization [71.91942002659795]
  我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。 バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。 これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
  論文  参考訳（メタデータ） (2022-03-07T18:59:03Z)
• Rewiring with Positional Encodings for Graph Neural Networks [37.394229290996364]
  いくつかの最近の研究は、注意機構を備えたグラフニューラルネットワーク層の受容場を拡張するために位置符号化を使用している。 位置エンコーディングを用いて、受容場を$r$ホップ地区に拡張する。 各種モデルやデータセットの改良や,従来のGNNやグラフトランスフォーマーによる競争性能の向上を実現しています。
  論文  参考訳（メタデータ） (2022-01-29T22:26:02Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。