論文の概要: Revisiting Node Affinity Prediction in Temporal Graphs

• arxiv url: http://arxiv.org/abs/2510.06940v1
• Date: Wed, 08 Oct 2025 12:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.480928
• Title: Revisiting Node Affinity Prediction in Temporal Graphs
• Title（参考訳）: 時間グラフにおけるノード親和性予測の再検討
• Authors: Krishna Sri Ipsit Mantri, Or Feldman, Moshe Eliasof, Chaim Baskin,
• Abstract要約: ノード親和性予測のための時空間グラフニューラルネットワークの訓練における課題を分析する。 仮想状態を用いたノード親和性予測モデルであるNAViSを開発する。 ノード親和性予測のための新しい損失関数を提案する。
• 参考スコア（独自算出の注目度）: 19.941079727421176
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Node affinity prediction is a common task that is widely used in temporal graph learning with applications in social and financial networks, recommender systems, and more. Recent works have addressed this task by adapting state-of-the-art dynamic link property prediction models to node affinity prediction. However, simple heuristics, such as Persistent Forecast or Moving Average, outperform these models. In this work, we analyze the challenges in training current Temporal Graph Neural Networks for node affinity prediction and suggest appropriate solutions. Combining the solutions, we develop NAViS - Node Affinity prediction model using Virtual State, by exploiting the equivalence between heuristics and state space models. While promising, training NAViS is non-trivial. Therefore, we further introduce a novel loss function for node affinity prediction. We evaluate NAViS on TGB and show that it outperforms the state-of-the-art, including heuristics. Our source code is available at https://github.com/orfeld415/NAVIS
• Abstract（参考訳）: ノード親和性予測は、ソーシャルおよびファイナンシャルネットワークやレコメンダシステムなどにおけるアプリケーションとの時間グラフ学習で広く使われている一般的なタスクである。 最近の研究は、ノード親和性予測に最先端の動的リンク特性予測モデルを適用することで、この問題に対処している。 しかし、Persistent ForecastやMoving Averageのような単純なヒューリスティックスはこれらのモデルより優れている。 本研究では,ノード親和性予測のための時間グラフニューラルネットワークの学習課題を分析し,適切な解を提案する。 提案手法を組み合わせることで,仮想状態を用いたNAViS - Node Affinity予測モデルを構築し,ヒューリスティックスと状態空間モデルとの等価性を利用する。 有望ではあるが、NAViSのトレーニングは簡単ではない。 そこで本研究では,ノード親和性予測のための新たな損失関数を提案する。 我々は、TGB上のNAViSを評価し、ヒューリスティックスを含む最先端技術よりも優れていることを示す。 ソースコードはhttps://github.com/orfeld415/NAVISで公開されています。

関連論文リスト

• Graph Spring Neural ODEs for Link Sign Prediction [49.71046810937725]
  本稿では,春の力によってモデル化されたグラフスプリングネットワーク(GSN)と呼ばれる新しいメッセージパッシング層アーキテクチャを提案する。 提案手法は,大規模グラフ上で最大28,000のノード生成時間高速化係数を持つ最先端手法に近い精度を実現する。
  論文  参考訳（メタデータ） (2024-12-17T13:50:20Z)
• Efficient Neural Common Neighbor for Temporal Graph Link Prediction [32.41660611941389]
  本稿では、時間グラフにおけるリンク予測のためのNCN(Neural Common Neighbor)の時間バージョンであるTNCNを提案する。 TNCNは、各ノードの時間的隣接辞書を動的に更新し、ソースとターゲットノード間のマルチホップ共通辞書を使用して、より効果的なペアワイズ表現を学習する。 5つの大規模実世界のデータセットでモデルを検証し、それらのうち3つで新たな最先端のパフォーマンスを実現することを発見した。
  論文  参考訳（メタデータ） (2024-06-12T06:45:03Z)
• Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction [5.651457382936249]
  提案手法であるUPNAは,一対のノード属性を学習し,エッジの確率を予測することによって,帰納的リンク予測問題を解く。 UPNAは、様々なペアワイズ学習タスクに適用でき、既存のリンク予測モデルと統合して、一般化可能性とグラフ生成モデルを強化することができる。
  論文  参考訳（メタデータ） (2023-07-17T22:19:12Z)
• 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)
• Invertible Neural Networks for Graph Prediction [22.140275054568985]
  本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。 私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
  論文  参考訳（メタデータ） (2022-06-02T17:28:33Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)

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。