論文の概要: Data-centric Prompt Tuning for Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2601.11954v1
• Date: Sat, 17 Jan 2026 08:03:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.3933
• Title: Data-centric Prompt Tuning for Dynamic Graphs
• Title（参考訳）: 動的グラフのためのデータ中心型プロンプトチューニング
• Authors: Yufei Peng, Cheng Yang, Zhengjie Fan, Chuan Shi,
• Abstract要約: 動的グラフは、現実世界のシナリオで複雑な関係や進化する関係をモデル化する能力によって、注目を集めている。 従来のアプローチでは、動的リンク予測を使用してトレーニング前のモデルを使用して、結果のノードの時間的埋め込みを特定の下流タスクに直接適用する。 データ中心のプロンプトフレームワークであるDDGPromptを提案する。
• 参考スコア（独自算出の注目度）: 16.454662267579216
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dynamic graphs have attracted increasing attention due to their ability to model complex and evolving relationships in real-world scenarios. Traditional approaches typically pre-train models using dynamic link prediction and directly apply the resulting node temporal embeddings to specific downstream tasks. However, the significant differences among downstream tasks often lead to performance degradation, especially under few-shot settings. Prompt tuning has emerged as an effective solution to this problem. Existing prompting methods are often strongly coupled with specific model architectures or pretraining tasks, which makes it difficult to adapt to recent or future model designs. Moreover, their exclusive focus on modifying node or temporal features while neglecting spatial structural information leads to limited expressiveness and degraded performance. To address these limitations, we propose DDGPrompt, a data-centric prompting framework designed to effectively refine pre-trained node embeddings at the input data level, enabling better adaptability to diverse downstream tasks. We first define a unified node expression feature matrix that aggregates all relevant temporal and structural information of each node, ensuring compatibility with a wide range of dynamic graph models. Then, we introduce three prompt matrices (temporal bias, edge weight, and feature mask) to adjust the feature matrix completely, achieving task-specific adaptation of node embeddings. We evaluate DDGPrompt under a strict few-shot setting on four public dynamic graph datasets. Experimental results demonstrate that our method significantly outperforms traditional methods and prompting approaches in scenarios with limited labels and cold-start conditions.
• Abstract（参考訳）: 動的グラフは、現実世界のシナリオで複雑な関係や進化する関係をモデル化する能力によって、注目を集めている。 従来のアプローチでは、動的リンク予測を使用してトレーニング前のモデルを使用して、結果のノードの時間的埋め込みを特定の下流タスクに直接適用する。 しかし、ダウンストリームタスク間の大きな違いは、特に数ショット設定で、パフォーマンスの低下につながることが多い。 プロンプトチューニングはこの問題に対する効果的な解決策として現れている。 既存のプロンプト手法は、しばしば特定のモデルアーキテクチャや事前訓練タスクと強く結びついているので、最近のモデル設計や将来のモデル設計に適応することは困難である。 さらに、空間構造情報を無視しながら、ノードや時間的特徴の変更に排他的に焦点を合わせると、表現性や劣化性能が制限される。 これらの制約に対処するため、DDGPromptというデータ中心のプロンプトフレームワークを提案し、入力データレベルで事前学習ノードの埋め込みを効果的に洗練し、多様な下流タスクへの適応性を向上する。 まず、各ノードの時間的および構造的情報を集約し、幅広い動的グラフモデルとの互換性を確保する統一ノード表現特徴行列を定義する。 次に,3つのプロンプト行列(時間バイアス,エッジ重量,特徴マスク)を導入し,特徴行列を完全に調整し,ノード埋め込みのタスク固有の適応を実現する。 DDGPromptを4つの公開動的グラフデータセット上で厳密な数ショット設定で評価する。 実験結果から,本手法は従来手法よりも有意に優れ,ラベルやコールドスタート条件が限定されたシナリオにおいてアプローチが促進されることが示唆された。

関連論文リスト

• Efficient Dynamic Attributed Graph Generation [34.15455546339396]
  高速な動的属性グラフ生成のための新しい変動リカレントフレームワークであるVRDAGを紹介する。 具体的には、向き付けられた構造知識とスナップショットの属性情報の両方を符号化する双方向メッセージパッシング機構を設計する。 提案した生成パラダイムは、既存のランダムウォーク法における時間を要する経路サンプリングおよびマージプロセスを回避する。
  論文  参考訳（メタデータ） (2024-12-11T22:53:27Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
  時相グラフニューラルネットワークは時系列予測に有効であることが示されている。 本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。 このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-08T14:18:56Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling [2.3022070933226217]
  静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。 モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。 ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-12-06T08:19:15Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。