論文の概要: TAMI: Taming Heterogeneity in Temporal Interactions for Temporal Graph Link Prediction

• arxiv url: http://arxiv.org/abs/2510.23577v1
• Date: Thu, 23 Oct 2025 05:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.652214
• Title: TAMI: Taming Heterogeneity in Temporal Interactions for Temporal Graph Link Prediction
• Title（参考訳）: TAMI:テンポラルグラフリンク予測のためのテンポラルインタラクションにおけるヘテロジニティのモデル化
• Authors: Zhongyi Yu, Jianqiu Wu, Zhenghao Wu, Shuhan Zhong, Weifeng Su, Chul-Ho Lee, Weipeng Zhuo,
• Abstract要約: 時間グラフリンク予測は、その履歴的相互作用に基づいて、グラフ内のノード間の将来の相互作用を予測することを目的としている。 本稿では,ログ時間エンコーディング機能とリンク履歴アグリゲーションという2つの有効なコンポーネントを含む,TAMIと呼ばれる新しい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）: 3.8264010687414953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal graph link prediction aims to predict future interactions between nodes in a graph based on their historical interactions, which are encoded in node embeddings. We observe that heterogeneity naturally appears in temporal interactions, e.g., a few node pairs can make most interaction events, and interaction events happen at varying intervals. This leads to the problems of ineffective temporal information encoding and forgetting of past interactions for a pair of nodes that interact intermittently for their link prediction. Existing methods, however, do not consider such heterogeneity in their learning process, and thus their learned temporal node embeddings are less effective, especially when predicting the links for infrequently interacting node pairs. To cope with the heterogeneity, we propose a novel framework called TAMI, which contains two effective components, namely log time encoding function (LTE) and link history aggregation (LHA). LTE better encodes the temporal information through transforming interaction intervals into more balanced ones, and LHA prevents the historical interactions for each target node pair from being forgotten. State-of-the-art temporal graph neural networks can be seamlessly and readily integrated into TAMI to improve their effectiveness. Experiment results on 13 classic datasets and three newest temporal graph benchmark (TGB) datasets show that TAMI consistently improves the link prediction performance of the underlying models in both transductive and inductive settings. Our code is available at https://github.com/Alleinx/TAMI_temporal_graph.
• Abstract（参考訳）: 時間グラフリンク予測は、ノード埋め込みに符号化された過去の相互作用に基づいて、グラフ内のノード間の将来の相互作用を予測することを目的としている。 時間的相互作用において不均一性は自然に現れ、例えば、いくつかのノードペアは、ほとんどの相互作用イベントを発生させることができ、相互作用イベントは様々な間隔で発生する。 これは、リンク予測のために断続的に相互作用する一対のノードに対して、非効率的な時間情報の符号化と過去の相互作用の忘れという問題を引き起こす。 しかし、既存の手法では学習過程においてそのような不均一性は考慮されていないため、学習した時間ノードの埋め込みは、特に頻繁に相互作用するノードペアのリンクを予測する場合、効果が低い。 この不均一性に対処するため,LTE(log time encoding function)とLHA(link history aggregate)という2つの有効なコンポーネントを含む,TAMIと呼ばれる新しいフレームワークを提案する。 LTEは、相互作用間隔をよりバランスの取れたものに変換することで、時間情報をよりよく符号化する。 最先端の時間グラフニューラルネットワークは、TAMIにシームレスかつ容易に統合して、その効率性を向上させることができる。 13の古典的データセットと3つの最新の時間グラフベンチマーク(TGB)データセットの実験結果から、TAMIはトランスダクティブとインダクティブの両方の設定において、基礎となるモデルのリンク予測性能を一貫して改善していることが示された。 私たちのコードはhttps://github.com/Alleinx/TAMI_temporal_graphで利用可能です。

関連論文リスト

• Unified Spatial-Temporal Edge-Enhanced Graph Networks for Pedestrian Trajectory Prediction [25.529613790994876]
  UniEdgeは、歴史的パスに基づいて将来の動きを予測することを目的としている。 本稿では,高次クロスタイム相互作用を1次関係に単純化する統合STグラフデータ構造を提案する。 従来のGNNは、エッジ機能に符号化された暗黙の相互作用パターンの伝播を無視して、歩行者ノードの機能を集約することに重点を置いている。 E2E-N2N-GCN(Edge-to-Edge-Node-to-Node Graph Convolution)を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:18:54Z)
• 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)
• Multi-Task Edge Prediction in Temporally-Dynamic Video Graphs [16.121140184388786]
  MTD-GNNは,複数種類の関係に対して時間動的エッジを予測するグラフネットワークである。 時間-動的グラフネットワークにおける複数の関係をモデル化することは相互に有益であることを示す。
  論文  参考訳（メタデータ） (2022-12-06T10:41:00Z)
• Hyper-relationship Learning Network for Scene Graph Generation [95.6796681398668]
  本稿では,シーングラフ生成のためのハイパーリレーショナル学習ネットワークHLNを提案する。 我々は最も人気のあるSGGデータセット、すなわちVisual Genomeデータセット上でHLNを評価する。 例えば、提案されたHLNは、関係ごとのリコールを11.3%から13.1%に改善し、画像毎のリコールを19.8%から34.9%に維持する。
  論文  参考訳（メタデータ） (2022-02-15T09:26:16Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Multi-Relation Aware Temporal Interaction Network Embedding [6.964492092209715]
  時間的相互作用ネットワークの埋め込みは、時間的相互作用ネットワーク内の情報を効果的にマイニングすることができる。 既存の時間的相互作用ネットワークの埋め込み手法は、近隣ノードの履歴的相互作用関係のみを使用する。 MRATE(Multi-relation aware temporal interaction network embedded method)を提案する。
  論文  参考訳（メタデータ） (2021-10-09T08:28:22Z)
• ConTIG: Continuous Representation Learning on Temporal Interaction Graphs [32.25218861788686]
  ConTIGは、ノード埋め込み軌道の連続的動的進化をキャプチャする連続表現法である。 我々のモデルは、最新の相互作用、隣り合う特徴、固有の特徴を含む、動的ネットワークにおける3つの要素を生かしている。 実験結果は、時間的リンク予測、時間的ノードレコメンデーション、動的ノード分類タスクにおけるConTIGの優位性を示す。
  論文  参考訳（メタデータ） (2021-09-27T12:11:24Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• SkipGNN: Predicting Molecular Interactions with Skip-Graph Networks [70.64925872964416]
  分子間相互作用の予測のためのグラフニューラルネットワークSkipGNNを提案する。 SkipGNNは直接相互作用からの情報だけでなく、二階相互作用からも情報を収集することで分子間相互作用を予測する。 また,SkipGNNは,既存の手法を最大28.8%上回り,優れた,堅牢な性能を実現していることを示す。
  論文  参考訳（メタデータ） (2020-04-30T16:55:58Z)

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。