論文の概要: Time-varying Interaction Graph ODE for Dynamic Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2604.24811v1
• Date: Mon, 27 Apr 2026 09:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.515621
• Title: Time-varying Interaction Graph ODE for Dynamic Graph Representation Learning
• Title（参考訳）: 動的グラフ表現学習のための時間変化相互作用グラフODE
• Authors: Xiaoyi Wang, Zhiqiang Wang, Jianqing Liang, Xingwang Zhao, Chuangyin Dang, Zhen Jin, Jiye Liang,
• Abstract要約: 本稿では,グラフODEの進化関数を学習可能な相互作用基底関数の集合に分解するTI-ODEを提案する。 TI-ODEは、既存のメソッドを一貫して上回り、属性予測タスクにおける最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 36.113724294028735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural Ordinary Differential Equations (ODE) combine neural ODE with the message passing mechanism of Graph Neural Networks (GNN), providing a continuous-time modeling method for graph representation learning. However, in dynamic graph scenarios, existing graph neural ODEs typically employ a unified message passing mechanism, assuming that inter-node interactions share the same message passing function at any time, which makes it challenging to capture the diversity and time-varying nature of inter-node interaction patterns. To address this, we propose Time-varying Interaction Graph Ordinary Differential Equations (TI-ODE). The core idea of TI-ODE is to decompose the evolution function of a graph ODE into a set of learnable interaction basis functions, where each basis function corresponds to a distinct type of inter-node interaction. These basis functions are dynamically combined through time-dependent learnable weights, enabling inter-node interaction patterns to adaptively evolve over time. Experimental results on six dynamic graph datasets demonstrate that TI-ODE consistently outperforms existing methods and achieves state-of-the-art performance on attribute prediction tasks, and experiments on the \textit{Covid} dataset further verify the interpretability and generalizability of our TI-ODE. Furthermore, we demonstrate both theoretically and empirically that TI-ODE exhibits superior robustness compared to models utilizing a unified message-passing mechanism.
• Abstract（参考訳）: グラフニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ネットワーク(GNN)のメッセージパッシング機構と、ニューラル・オーラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ニューラル・ネットワーク(英語版) (GNN) を組み合わせ、グラフ表現学習のための連続時間モデリング手法を提供する。 しかし、動的グラフのシナリオでは、既存のグラフニューラルODEは一般的に、ノード間相互作用が常に同じメッセージパッシング関数を共有することを前提として、統一されたメッセージパッシング機構を使用するため、ノード間相互作用パターンの多様性と時間変化の性質を捉えることは困難である。 これを解決するために、時間変化の相互作用グラフ正規微分方程式(TI-ODE)を提案する。 TI-ODEの中核となる考え方は、グラフODEの進化関数を学習可能な相互作用基底関数の集合に分解することである。 これらの基底関数は時間依存の学習可能な重み付けによって動的に結合され、ノード間相互作用パターンは時間とともに適応的に進化する。 6つの動的グラフデータセットの実験結果から,TI-ODEは既存手法より一貫して優れ,属性予測タスクの最先端性能を実現していることが示された。 さらに, TI-ODEは統一メッセージパッシング機構を用いたモデルと比較して, 優れたロバスト性を示すことを示す。

関連論文リスト

• PGODE: Towards High-quality System Dynamics Modeling [40.76121531452706]
  本稿では,エージェントが相互に相互作用して動作に影響を与えるマルチエージェント力学系をモデル化する問題について検討する。 最近の研究では、主に幾何学グラフを用いてこれらの相互相互作用を表現し、グラフニューラルネットワーク(GNN)によって捉えられている。 本稿では,プロトタイプグラフODE(Prototypeal Graph ODE)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-11T12:04:47Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• 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 Dynamic Graph Embeddings with Neural Controlled Differential Equations [40.12574909984131]
  本稿では,ノード埋め込みと構造力学を協調的にモデル化する連続時間フレームワークを提案する。 筆者らのフレームワークは,グラフを断片的に統合せずに動的に表現できる機能など,いくつかの望ましい特徴を呈している。
  論文  参考訳（メタデータ） (2023-02-22T12:59:38Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• 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)
• Deep Dynamic Effective Connectivity Estimation from Multivariate Time Series [0.0]
  我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。 DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
  論文  参考訳（メタデータ） (2022-02-04T21:14:21Z)
• 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)

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。