論文の概要: CoDCL: Counterfactual Data Augmentation Contrastive Learning for Continuous-Time Dynamic Network Link Prediction

• arxiv url: http://arxiv.org/abs/2601.22427v1
• Date: Fri, 30 Jan 2026 00:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.133789
• Title: CoDCL: Counterfactual Data Augmentation Contrastive Learning for Continuous-Time Dynamic Network Link Prediction
• Title（参考訳）: CoDCL:連続時間動的ネットワークリンク予測のための対実データ拡張コントラスト学習
• Authors: Hantong Feng, Yonggang Wu, Duxin Chen, Wenwu Yu,
• Abstract要約: 本稿では,この欠陥に対処するために,対実データ拡張と対照的学習を組み合わせた動的ネットワーク学習フレームワークを提案する。 CoDCL全体はプラグイン・アンド・プレイのユニバーサルモジュールとして設計されており、様々な時間グラフモデルにシームレスに統合できる。
• 参考スコア（独自算出の注目度）: 13.707047958676482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth and continuous structural evolution of dynamic networks make effective predictions increasingly challenging. To enable prediction models to adapt to complex temporal environments, they need to be robust to emerging structural changes. We propose a dynamic network learning framework CoDCL, which combines counterfactual data augmentation with contrastive learning to address this deficiency.Furthermore, we devise a comprehensive strategy to generate high-quality counterfactual data, combining a dynamic treatments design with efficient structural neighborhood exploration to quantify the temporal changes in interaction patterns.Crucially, the entire CoDCL is designed as a plug-and-play universal module that can be seamlessly integrated into various existing temporal graph models without requiring architectural modifications.Extensive experiments on multiple real-world datasets demonstrate that CoDCL significantly gains state-of-the-art baseline models in the field of dynamic networks, confirming the critical role of integrating counterfactual data augmentation into dynamic representation learning.
• Abstract（参考訳）: 動的ネットワークの急速な成長と継続的な構造進化は、効果的な予測をますます困難にしている。 予測モデルが複雑な時間的環境に適応できるようにするには、新たな構造変化に対して堅牢である必要がある。 さらに, 動的ネットワーク学習フレームワークであるCoDCLについて, 動的ネットワーク学習フレームワークを提案する。また, 動的処理設計と効率的な構造近傍探索を組み合わせることで, 動的処理設計と相互作用パターンの時間的変化の定量化を両立させる, 動的ネットワーク学習フレームワークであるCoDCLは, 動的ネットワークの分野において, 動的データ拡張モデルを大幅に向上させることを実証し, 動的ネットワークの分野において, 動的データ拡張が重要な役割を担っていることを実証した, 動的ネットワーク学習モデルにシームレスに統合可能なプラグイン・アンド・プレイ・ユニバーサルモジュールとして設計されている。

関連論文リスト

• Global-Lens Transformers: Adaptive Token Mixing for Dynamic Link Prediction [9.234363752442915]
  動的グラフのための新しいアテンションフリートランスフォーマースタイルフレームワークであるGLFormerを提案する。 広く使用されている6つの動的グラフベンチマークの実験では、GLFormerがSOTAのパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-11-16T04:05:56Z)
• Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
  ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。 我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。 アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
  論文  参考訳（メタデータ） (2025-10-14T03:03:08Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization [29.10084723132903]
  本稿では,時空間探索型パターン学習フレームワークSTRAPを提案する。 推論中、STRAPは現在の入力と類似性に基づいてライブラリから関連するパターンを検索し、プラグイン・アンド・プレイ・プロンプト機構を介してモデルに注入する。 複数の実世界のストリーミンググラフデータセットに対する実験によると、STRAPはSTOODタスクの最先端STGNNベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T06:11:05Z)
• Hybrid machine learning models based on physical patterns to accelerate CFD simulations: a short guide on autoregressive models [3.780691701083858]
  本研究では,Long Short-Term Memory (LSTM) アーキテクチャと高次特異値分解を革新的に統合し,流体力学における低次モデリング(ROM)の複雑さに対処する。 この手法は、2次元および3次元のシリンダー流(2次元および3次元)を含む数値的および実験的なデータセットで試験される。 その結果、HOSVDは、異なるエラーメトリクスを用いて証明されたように、すべてのテストシナリオでSVDより優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-09T10:56:03Z)
• A Deep Autoregressive Model for Dynamic Combinatorial Complexes [0.0]
  DAMCC(Deep Autoregressive Model for Dynamic Combinatorial Complexes)は,動的コンプレックス(CC)を生成するために設計された最初のディープラーニングモデルである。 従来のグラフベースのモデルとは異なり、CCは高次のインタラクションをキャプチャし、ソーシャルネットワーク、生物学的システム、進化するインフラを表現するのに理想的である。
  論文  参考訳（メタデータ） (2025-03-03T19:15:40Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。