論文の概要: Efficient Learning-based Graph Simulation for Temporal Graphs

• arxiv url: http://arxiv.org/abs/2510.05569v1
• Date: Tue, 07 Oct 2025 04:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.097321
• Title: Efficient Learning-based Graph Simulation for Temporal Graphs
• Title（参考訳）: 時間グラフのための効率的な学習ベースグラフシミュレーション
• Authors: Sheng Xiang, Chenhao Xu, Dawei Cheng, Xiaoyang Wang, Ying Zhang,
• Abstract要約: 本稿では,時間的グラフオートエンコーダ(TGAE)を用いたグラフスナップショット生成手法を提案する。 具体的には,サンプルエゴグラフの時間的特徴と構造的特徴を符号化するアテンションベースグラフエンコーダを提案する。 また,時間グラフ生成におけるシミュレーション品質と効率のトレードオフを良好に実現できるエゴグラフデコーダを提案する。
• 参考スコア（独自算出の注目度）: 25.959566357401727
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph simulation has recently received a surge of attention in graph processing and analytics. In real-life applications, e.g. social science, biology, and chemistry, many graphs are composed of a series of evolving graphs (i.e., temporal graphs). While most of the existing graph generators focus on static graphs, the temporal information of the graphs is ignored. In this paper, we focus on simulating temporal graphs, which aim to reproduce the structural and temporal properties of the observed real-life temporal graphs. In this paper, we first give an overview of the existing temporal graph generators, including recently emerged learning-based approaches. Most of these learning-based methods suffer from one of the limitations: low efficiency in training or slow generating, especially for temporal random walk-based methods. Therefore, we propose an efficient learning-based approach to generate graph snapshots, namely temporal graph autoencoder (TGAE). Specifically, we propose an attention-based graph encoder to encode temporal and structural characteristics on sampled ego-graphs. And we proposed an ego-graph decoder that can achieve a good trade-off between simulation quality and efficiency in temporal graph generation. Finally, the experimental evaluation is conducted among our proposed TGAE and representative temporal graph generators on real-life temporal graphs and synthesized graphs. It is reported that our proposed approach outperforms the state-of-the-art temporal graph generators by means of simulation quality and efficiency.
• Abstract（参考訳）: グラフシミュレーションは最近、グラフ処理と分析に注目が集まっている。 現実の応用、例えば社会科学、生物学、化学において、多くのグラフは一連の進化グラフ(すなわち時間グラフ)で構成されている。 既存のグラフ生成装置のほとんどは静的グラフに焦点を当てているが、グラフの時間情報は無視されている。 本稿では,観測された実時間グラフの構造と時間特性を再現することを目的とした時間グラフのシミュレーションに焦点をあてる。 本稿では,最近出現した学習に基づくアプローチを含む,既存の時間グラフ生成装置の概要について概説する。 これらの学習に基づく手法の多くは、トレーニングの効率の低さや、特に時間的ランダムな歩行に基づく手法の遅い生成という、制限の1つに悩まされている。 そこで本稿では,時間的グラフオートエンコーダ(TGAE)を用いたグラフスナップショット生成手法を提案する。 具体的には,サンプルエゴグラフの時間的特徴と構造的特徴を符号化するアテンションベースグラフエンコーダを提案する。 また,時間グラフ生成におけるシミュレーション品質と効率のトレードオフを良好に実現できるエゴグラフデコーダを提案する。 最後に,実生活時空間グラフと合成グラフを用いたTGAEと代表時空間グラフ生成装置の実験的評価を行った。 提案手法は, シミュレーション品質と効率により, 最先端の時間グラフ生成器よりも優れた性能を示すことが報告されている。

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)
• Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models [22.794561387716502]
  グラフ生成に条件付き潜在拡散モデルを利用する新しい手法であるニューラルグラフ生成器(NGG)を導入する。 NGGは複雑なグラフパターンをモデル化し、グラフ生成プロセスの制御を提供する。
  論文  参考訳（メタデータ） (2024-03-03T15:28:47Z)
• GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
  本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。 本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T02:28:20Z)
• An Accurate Graph Generative Model with Tunable Features [0.8192907805418583]
  本稿では,グラフ特徴の誤りを返送する機構を新たに追加することで,GraphTuneの精度を向上させる手法を提案する。 実世界のグラフデータセットを用いて実験したところ、生成されたグラフの特徴は従来のモデルと比較して正確に調整されていることがわかった。
  論文  参考訳（メタデータ） (2023-09-03T12:34:15Z)
• 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)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)

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。