論文の概要: Representation Integrity in Temporal Graph Learning Methods

• arxiv url: http://arxiv.org/abs/2511.20873v1
• Date: Tue, 25 Nov 2025 21:37:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.875898
• Title: Representation Integrity in Temporal Graph Learning Methods
• Title（参考訳）: 時間グラフ学習における表現積分
• Authors: Elahe Kooshafar,
• Abstract要約: 実世界のシステムは、時間とともにトポロジーが変化する動的グラフとして自然にモデル化される。 我々はこの要求を表現整合性として定式化し、グラフの変化にいかに密着した変化を追随するかを測定する指標の族を導出する。 次に、この指標を用いて、一般的な動的グラフ学習モデルの表現整合性の比較研究を行う。
• 参考スコア（独自算出の注目度）: 0.40611352512781873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world systems ranging from airline routes to cryptocurrency transfers are naturally modelled as dynamic graphs whose topology changes over time. Conventional benchmarks judge dynamic-graph learners by a handful of task-specific scores, yet seldom ask whether the embeddings themselves remain a truthful, interpretable reflection of the evolving network. We formalize this requirement as representation integrity and derive a family of indexes that measure how closely embedding changes follow graph changes. Three synthetic scenarios, Gradual Merge, Abrupt Move, and Periodic Re-wiring, are used to screen forty-two candidate indexes. Based on which we recommend one index that passes all of our theoretical and empirical tests. In particular, this validated metric consistently ranks the provably stable UASE and IPP models highest. We then use this index to do a comparative study on representation integrity of common dynamic graph learning models. This study exposes the scenario-specific strengths of neural methods, and shows a strong positive rank correlation with one-step link-prediction AUC. The proposed integrity framework, therefore, offers a task-agnostic and interpretable evaluation tool for dynamic-graph representation quality, providing more explicit guidance for model selection and future architecture design.
• Abstract（参考訳）: 航空会社のルートから暗号通貨の転送まで、現実世界のシステムは、時間とともにトポロジが変化する動的なグラフとして、自然にモデル化されている。 従来のベンチマークでは、動的グラフ学習者は少数のタスク固有のスコアで判断するが、埋め込み自体が進化するネットワークの真実で解釈可能なリフレクションであるかどうかを問うことは滅多にない。 この要求を表現整合性として定式化し、グラフの変化にどのように密着した変化を追随するかを測定する指標の族を導出する。 Gradual Merge, Abrupt Move, Periodic Re-wiringの3つの合成シナリオが、42の候補インデックスのスクリーニングに使用されている。 そこでは、理論的および実証的なテストをすべてパスするインデックスを1つ推奨します。 特に、この検証された計量は、証明可能な安定なUASEモデルとIPPモデルの最上位を一貫してランク付けする。 次に、この指標を用いて、一般的な動的グラフ学習モデルの表現整合性の比較研究を行う。 本研究は,ニューラルネットワーク手法のシナリオ特異的強度を明らかにし,一段階リンク予測AUCと強い正の相関を示す。 したがって、提案した整合性フレームワークは、動的グラフ表現品質のためのタスク非依存かつ解釈可能な評価ツールを提供し、モデル選択と将来のアーキテクチャ設計のためのより明確なガイダンスを提供する。

関連論文リスト

• Retrieval Augmented Generation for Dynamic Graph Modeling [15.09162213134372]
  動的グラフモデリングのための新しいフレームワークRetrieval-Augmented Generation(RAG4DyG)を提案する。 RAG4DyGは、より広いグラフ構造から文脈的および時間的に関連する例を組み込むことで、動的グラフ予測を強化する。 提案するフレームワークは、トランスダクティブシナリオとインダクティブシナリオの両方に有効であるように設計されている。
  論文  参考訳（メタデータ） (2024-08-26T09:23:35Z)
• DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
  離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。 本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
  論文  参考訳（メタデータ） (2022-10-19T14:34:12Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• 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)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。