論文の概要: Coden: Efficient Temporal Graph Neural Networks for Continuous Prediction

• arxiv url: http://arxiv.org/abs/2602.12613v1
• Date: Fri, 13 Feb 2026 04:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.84921
• Title: Coden: Efficient Temporal Graph Neural Networks for Continuous Prediction
• Title（参考訳）: Coden: 連続予測のための効率的な時間グラフニューラルネットワーク
• Authors: Zulun Zhu, Siqiang Luo,
• Abstract要約: 時間グラフニューラルネットワーク(TGNN)は動的グラフの処理において重要である。 既存のTGNNは主に与えられた時間間隔の1回予測をターゲットとしているが、多くの実用アプリケーションは連続的な予測を必要としており、予測は時間とともに頻繁に発行される。 本稿では、TGNNにおける連続予測の課題を再考し、動的グラフの効率的かつ効率的な学習を目的としたTGNNモデルであるsk Codenを紹介する。
• 参考スコア（独自算出の注目度）: 15.907958072038904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal Graph Neural Networks (TGNNs) are pivotal in processing dynamic graphs. However, existing TGNNs primarily target one-time predictions for a given temporal span, whereas many practical applications require continuous predictions, that predictions are issued frequently over time. Directly adapting existing TGNNs to continuous-prediction scenarios introduces either significant computational overhead or prediction quality issues especially for large graphs. This paper revisits the challenge of { continuous predictions} in TGNNs, and introduces {\sc Coden}, a TGNN model designed for efficient and effective learning on dynamic graphs. {\sc Coden} innovatively overcomes the key complexity bottleneck in existing TGNNs while preserving comparable predictive accuracy. Moreover, we further provide theoretical analyses that substantiate the effectiveness and efficiency of {\sc Coden}, and clarify its duality relationship with both RNN-based and attention-based models. Our evaluations across five dynamic datasets show that {\sc Coden} surpasses existing performance benchmarks in both efficiency and effectiveness, establishing it as a superior solution for continuous prediction in evolving graph environments.
• Abstract（参考訳）: 時間グラフニューラルネットワーク(TGNN)は動的グラフの処理において重要である。 しかし、既存のTGNNは、主に与えられた時間間隔の1回予測をターゲットとしており、多くの実践的応用では連続的な予測を必要とするが、予測は時間とともに頻繁に発行される。 既存のTGNNを連続予測シナリオに直接適応させると、特に大きなグラフの計算オーバーヘッドや予測品質の問題が発生する。 本稿では、TGNNにおける連続予測の課題を再考し、動的グラフの効率的かつ効果的な学習を目的としたTGNNモデルである {\sc Coden}を紹介する。 {\sc Coden} は、既存のTGNNにおける重要な複雑さのボトルネックを革新的に克服し、同等の予測精度を保っている。 さらに, {\sc Coden} の有効性と効率を検証し,RNN ベースモデルとアテンションベースモデルとの双対性関係を明らかにする理論解析を行った。 5つの動的データセットで評価した結果,既存のパフォーマンスベンチマークよりも効率と効率が優れており,グラフ環境の進化における連続予測の優れたソリューションとして確立されている。

関連論文リスト

• Test-time GNN Model Evaluation on Dynamic Graphs [52.31268996286955]
  我々は,DyGEvalと呼ばれる動的グラフニューラルネットワーク評価器を提案し,この問題に対処する。 提案したDyGEvalは,(1) テスト時動的グラフシミュレーション,(2) テスト時動的グラフ上でのよく訓練されたDGNNモデルの性能を正確に推定するDyGEvalの開発・訓練の2段階からなる。
  論文  参考訳（メタデータ） (2025-09-28T11:40:37Z)
• Non-exchangeable Conformal Prediction for Temporal Graph Neural Networks [11.01716974299811]
  グラフニューラルネットワーク(GNN)のコンフォーマル予測は、不確実性を定量化するための有望なフレームワークを提供する。 既存の手法は主に静的グラフに焦点を当て、現実世界のグラフの進化の性質を無視している。 我々は、時間グラフに適した新しいエンドツーエンドのコンフォメーション予測フレームワークであるNCPNETを紹介する。
  論文  参考訳（メタデータ） (2025-07-02T21:15:00Z)
• SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
  我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。 これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。 提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-05-29T13:09:33Z)
• Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
  動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。 提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
  グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。 このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-18T22:25:12Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)

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。