論文の概要: A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction

• arxiv url: http://arxiv.org/abs/2602.14239v1
• Date: Sun, 15 Feb 2026 17:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:49.833613
• Title: A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction
• Title（参考訳）: 動的グラフリンク予測のためのハイブリッドTGN-SEALモデル
• Authors: Nafiseh Sadat Sajadi, Behnam Bahrak, Mahdi Jafari Siavoshani,
• Abstract要約: スパースで継続的な進化を続けるネットワークにおけるリンクの予測は、ネットワーク科学における中心的な課題である。 本研究では,候補リンクを囲む部分グラフを抽出することで,Temporal Graph Networksフレームワークを改善する。 スパースCDRデータセットの実験により、我々の手法は標準のTGNよりも平均精度を2.6%向上させることが示された。
• 参考スコア（独自算出の注目度）: 0.5836991649815993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting links in sparse, continuously evolving networks is a central challenge in network science. Conventional heuristic methods and deep learning models, including Graph Neural Networks (GNNs), are typically designed for static graphs and thus struggle to capture temporal dependencies. Snapshot-based techniques partially address this issue but often encounter data sparsity and class imbalance, particularly in networks with transient interactions such as telecommunication call detail records (CDRs). Temporal Graph Networks (TGNs) model dynamic graphs by updating node embeddings over time; however, their predictive accuracy under sparse conditions remains limited. In this study, we improve the TGN framework by extracting enclosing subgraphs around candidate links, enabling the model to jointly learn structural and temporal information. Experiments on a sparse CDR dataset show that our approach increases average precision by 2.6% over standard TGNs, demonstrating the advantages of integrating local topology for robust link prediction in dynamic networks.
• Abstract（参考訳）: スパースで継続的な進化を続けるネットワークにおけるリンクの予測は、ネットワーク科学における中心的な課題である。 グラフニューラルネットワーク(GNN)を含む従来のヒューリスティックな手法とディープラーニングモデルは、一般的に静的グラフ用に設計されており、時間的依存を捉えるのに苦労している。 スナップショットベースの技術はこの問題に部分的に対処するが、特に通信呼出詳細記録(CDR)のような過渡的な相互作用を持つネットワークにおいて、データ疎結合やクラス不均衡に遭遇することが多い。 時間的グラフネットワーク(TGN)はノード埋め込みを時間とともに更新することで動的グラフをモデル化するが、スパース条件下での予測精度は限られている。 本研究では,TGNフレームワークを候補リンクの周囲に囲む部分グラフを抽出し,構造的および時間的情報を協調的に学習できるようにすることにより,TGNフレームワークの改良を行う。 スパースCDRデータセットの実験により、我々のアプローチは標準TGNよりも平均精度を2.6%向上させ、動的ネットワークにおけるロバストリンク予測に局所トポロジを統合する利点を示す。

関連論文リスト

• GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection (Preprint) [19.99795815493204]
  本稿では,Gated Temporal Convolutional Network and Graph (GTCN-G) という新しいディープラーニングフレームワークを提案する。 本モデルでは,ネットワークフローから階層的時間的特徴を抽出するためのGated TCN (G-TCN) を,基礎となるグラフ構造から学習するためのグラフ畳み込みネットワーク (GCN) を用いて一意に融合させる。 中心となるイノベーションは、グラフ注意ネットワーク(GAT)を通じて実装された残留学習メカニズムの統合にある。
  論文  参考訳（メタデータ） (2025-10-08T17:45:59Z)
• Learning Dynamic Graphs via Tensorized and Lightweight Graph Convolutional Networks [0.0]
  動的グラフの正確な表現学習を実現するために動的グラフ畳み込みネットワーク(DGCN)が成功している。 本研究は,動的グラフ学習のための新しい軽量グラフコナーネットワーク (TLGCN) を提案する。
  論文  参考訳（メタデータ） (2025-04-22T06:13:32Z)
• DTFormer: A Transformer-Based Method for Discrete-Time Dynamic Graph Representation Learning [38.53424185696828]
  離散時間動的グラフ(DTDG)の表現学習は、時間的に変化するエンティティとその進化する接続のダイナミクスをモデル化するために広く応用されている。 本稿では,従来の GNN+RNN フレームワークから Transformer ベースのアーキテクチャへ移行した DTDG のための表現学習手法 DTFormer を提案する。
  論文  参考訳（メタデータ） (2024-07-26T05:46:23Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
  S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。 このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
  論文  参考訳（メタデータ） (2022-02-25T10:02:49Z)
• 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)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• 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)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。