論文の概要: When Speed meets Accuracy: an Efficient and Effective Graph Model for Temporal Link Prediction

• arxiv url: http://arxiv.org/abs/2507.13825v1
• Date: Fri, 18 Jul 2025 11:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.267086
• Title: When Speed meets Accuracy: an Efficient and Effective Graph Model for Temporal Link Prediction
• Title（参考訳）: 速度が精度に合うとき-時間リンク予測のための効率的かつ効果的なグラフモデル
• Authors: Haoyang Li, Yuming Xu, Yiming Li, Hanmo Liu, Darian Li, Chen Jason Zhang, Lei Chen, Qing Li,
• Abstract要約: テンポラルグラフニューラルネットワーク(T-GNN)は、時間的および構造的依存関係をモデル化するために複雑なアーキテクチャを活用することで、顕著な成功を収めた。 本稿では,短期的時間的傾向と長期的グローバルな構造パターンを統合する軽量なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.093092172339286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal link prediction in dynamic graphs is a critical task with applications in diverse domains such as social networks, recommendation systems, and e-commerce platforms. While existing Temporal Graph Neural Networks (T-GNNs) have achieved notable success by leveraging complex architectures to model temporal and structural dependencies, they often suffer from scalability and efficiency challenges due to high computational overhead. In this paper, we propose EAGLE, a lightweight framework that integrates short-term temporal recency and long-term global structural patterns. EAGLE consists of a time-aware module that aggregates information from a node's most recent neighbors to reflect its immediate preferences, and a structure-aware module that leverages temporal personalized PageRank to capture the influence of globally important nodes. To balance these attributes, EAGLE employs an adaptive weighting mechanism to dynamically adjust their contributions based on data characteristics. Also, EAGLE eliminates the need for complex multi-hop message passing or memory-intensive mechanisms, enabling significant improvements in efficiency. Extensive experiments on seven real-world temporal graphs demonstrate that EAGLE consistently achieves superior performance against state-of-the-art T-GNNs in both effectiveness and efficiency, delivering more than a 50x speedup over effective transformer-based T-GNNs.
• Abstract（参考訳）: 動的グラフにおける時間的リンク予測は、ソーシャルネットワーク、レコメンデーションシステム、eコマースプラットフォームといった様々な分野のアプリケーションにとって重要なタスクである。 既存のT-GNN(Temporal Graph Neural Networks)は、時間的および構造的依存関係をモデル化するために複雑なアーキテクチャを活用することで、顕著な成功を収めている。 本稿では,短期的時間的傾向と長期的グローバルな構造パターンを統合する軽量なフレームワークであるEAGLEを提案する。 EAGLEは、ノードの直近の隣人からの情報を集約して、その即時的な嗜好を反映するタイムアウェアモジュールと、時間的パーソナライズされたPageRankを活用して、グローバルに重要なノードの影響をキャプチャする構造アウェアモジュールで構成されている。 これらの特性のバランスをとるために、EAGLEは適応重み付け機構を使用して、データ特性に基づいて貢献を動的に調整する。 また、EAGLEは複雑なマルチホップメッセージパッシングやメモリ集約機構の必要性を排除し、効率を大幅に改善する。 7つの実世界の時間グラフに対する大規模な実験により、EAGLEは最先端のT-GNNに対して、有効性と効率の両方で一貫して優れた性能を達成し、効率的なトランスフォーマーベースのT-GNNよりも50倍以上のスピードアップを実現している。

関連論文リスト

• Decoupling Spatio-Temporal Prediction: When Lightweight Large Models Meet Adaptive Hypergraphs [12.867023510751787]
  STH-SepNetは、時間的および空間的表現性を効率と精度の両方に分離する新しいフレームワークである。 S-SepNetは、現実世界のアプリケーションにおける時間予測のための実用的でスケーラブルなソリューションを提供する。 この作業は、計算要求の削減と予測性能の向上を目的とした、時間的予測のための有望な軽量フレームワークを提供する可能性がある。
  論文  参考訳（メタデータ） (2025-05-26T07:37:39Z)
• Higher-order Structure Boosts Link Prediction on Temporal Graphs [33.483289891869426]
  時間グラフニューラルネットワーク(TGNN)は,時間グラフの構造をモデル化し,予測するために注目を集めている。 本稿では,ハイパーグラフ表現を時間グラフ学習に組み込んだ高次構造時間グラフニューラルネットワークを提案する。 HTGNは,従来の手法と比較してメモリコストを最大50%削減しながら,動的リンク予測において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-05-21T16:51:44Z)
• Instruction-Guided Autoregressive Neural Network Parameter Generation [49.800239140036496]
  本稿では,多種多様なタスクやアーキテクチャにまたがるパラメータ合成を統一する自動回帰フレームワークIGPGを提案する。 ニューラルネットワーク重みのトークンを自動回帰的に生成することにより、IGPGは層間コヒーレンスを確保し、モデルとデータセット間の効率的な適応を可能にする。 複数のデータセットの実験により、IGPGは様々な事前訓練されたモデルを単一の柔軟な生成フレームワークに統合することを示した。
  論文  参考訳（メタデータ） (2025-04-02T05:50:19Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• 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)
• SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
  我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。 これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。 提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-05-29T13:09:33Z)
• 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)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• 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)
• Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction [1.6449390849183363]
  本稿では,トラフィック予測のための自動拡張時間同期グラフネットワーク予測であるAuto-DSTSを提案する。 具体的には,短期および長期の相関関係を捉えるための自動拡張時間時間グラフ (Auto-DSTS) モジュールを提案する。 我々のモデルは最先端の手法と比較して約10%改善できる。
  論文  参考訳（メタデータ） (2022-07-22T00:50:39Z)
• Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)

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。