論文の概要: Simple and Efficient Heterogeneous Temporal Graph Neural Network

• arxiv url: http://arxiv.org/abs/2510.18467v1
• Date: Tue, 21 Oct 2025 09:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.334724
• Title: Simple and Efficient Heterogeneous Temporal Graph Neural Network
• Title（参考訳）: 単純で効率的な異種時間グラフニューラルネットワーク
• Authors: Yili Wang, Tairan Huang, Changlong He, Qiutong Li, Jianliang Gao,
• Abstract要約: 不均一時間グラフ (HTGs) は実世界のユビキタスデータ構造である。 我々は, 単純かつ効率的な時間的グラフニューラルネットワーク(SE-HTGNN)と呼ばれるHTGのための新しい学習パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 6.370086864615097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous temporal graphs (HTGs) are ubiquitous data structures in the real world. Recently, to enhance representation learning on HTGs, numerous attention-based neural networks have been proposed. Despite these successes, existing methods rely on a decoupled temporal and spatial learning paradigm, which weakens interactions of spatio-temporal information and leads to a high model complexity. To bridge this gap, we propose a novel learning paradigm for HTGs called Simple and Efficient Heterogeneous Temporal Graph N}eural Network (SE-HTGNN). Specifically, we innovatively integrate temporal modeling into spatial learning via a novel dynamic attention mechanism, which retains attention information from historical graph snapshots to guide subsequent attention computation, thereby improving the overall discriminative representations learning of HTGs. Additionally, to comprehensively and adaptively understand HTGs, we leverage large language models to prompt SE-HTGNN, enabling the model to capture the implicit properties of node types as prior knowledge. Extensive experiments demonstrate that SE-HTGNN achieves up to 10x speed-up over the state-of-the-art and latest baseline while maintaining the best forecasting accuracy.
• Abstract（参考訳）: 不均一時間グラフ (HTGs) は実世界のユビキタスデータ構造である。 近年,HTGの表現学習を強化するために,注目に基づくニューラルネットワークが多数提案されている。 これらの成功にもかかわらず、既存の手法は、時空間学習パラダイムの分離に依存しており、時空間情報の相互作用を弱め、高いモデル複雑性をもたらす。 このギャップを埋めるため,HTG のための新しい学習パラダイムである Simple and Efficient Heterogeneous Temporal Graph N}eural Network (SE-HTGNN) を提案する。 具体的には、時間的モデリングを新しいダイナミックアテンション機構によって空間学習に統合し、ヒストリカルグラフスナップショットからのアテンション情報を保持し、その後のアテンション計算を導くことにより、HTGの全体的な識別的表現学習を改善する。 さらに,HTGを包括的かつ適応的に理解するために,大規模言語モデルを利用してSE-HTGNNを誘導し,ノード型の暗黙的特性を事前の知識として捉える。 大規模な実験により,SE-HTGNNは最新のベースラインよりも最大10倍のスピードアップを実現し,最高の予測精度を維持した。

関連論文リスト

• Heterogeneous Temporal Hypergraph Neural Network [25.524117795336053]
  グラフ表現学習(GRL)は,グラフ構造化データのモデリングに有効な手法である。 本稿では,HTGの高次相互作用をフルに捉えるために,HTHGN(Heterogeneous Temporal HyperGraph Neural Network)を提案する。 3つの実世界のHTGデータセットに関する詳細な実験結果は、提案したHTHGNがHTGの高次相互作用をモデル化するための有効性を検証する。
  論文  参考訳（メタデータ） (2025-06-18T10:36:11Z)
• 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)
• Learning Dynamic Graphs via Tensorized and Lightweight Graph Convolutional Networks [0.0]
  動的グラフの正確な表現学習を実現するために動的グラフ畳み込みネットワーク(DGCN)が成功している。 本研究は,動的グラフ学習のための新しい軽量グラフコナーネットワーク (TLGCN) を提案する。
  論文  参考訳（メタデータ） (2025-04-22T06:13:32Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• A novel hybrid time-varying graph neural network for traffic flow forecasting [3.6623539239888556]
  インテリジェント交通システムの効率化には,リアルタイムかつ正確な交通流予測が不可欠である。 従来のグラフニューラルネットワーク(GNN)は、都市道路網における交通ノード間の空間的相関を記述するために用いられる。 我々は交通流予測のための新しいハイブリッド時変グラフニューラルネットワーク(HTVGNN)を提案している。
  論文  参考訳（メタデータ） (2024-01-17T07:21:36Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)

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。