論文の概要: TGFormer: Towards Temporal Graph Transformer with Auto-Correlation Mechanism

• arxiv url: http://arxiv.org/abs/2605.24971v1
• Date: Sun, 24 May 2026 09:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.553741
• Title: TGFormer: Towards Temporal Graph Transformer with Auto-Correlation Mechanism
• Title（参考訳）: TGFormer:自己相関機構を備えたテンポラルグラフ変換器を目指して
• Authors: Hongjiang Chen, Pengfei Jiao, Ming Du, Xuan Guo, Zhidong Zhao, Di Jin, Xiao Liu,
• Abstract要約: TGFormerは、時間グラフ用に特別に設計された新しいトランスフォーマーアーキテクチャである。 本モデルでは時系列解析の原則に沿う軌跡の枠組みを確立することにより,時間グラフ学習を再定義する。 プロセス理論に基づいて,ノード間相互作用の周期的依存性を明らかにする自動相関機構を開発する。
• 参考スコア（独自算出の注目度）: 21.417433784980215
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The growing interest in Temporal Graph Neural Networks (TGNNs) stems from their ability to model complex dynamics and deliver superior performance. However, TGNNs encounter fundamental challenges in capturing long-term dependencies and identifying periodic patterns. To address these limitations, we propose TGFormer, a novel Transformer architecture specifically designed for temporal graphs. Our model redefines temporal graph learning by establishing a trajectory framework that aligns with time series analysis principles. This approach allows TGFormer to derive node representations through systematic analysis of historical interactions, enabling granular examination of node relationships across sequential timestamps. Building upon stochastic process theory, we develop an auto-correlation mechanism that systematically uncovers periodic dependencies in node interactions. This innovation empowers TGFormer to perform dependency discovery and representation aggregation at sub-interaction levels, demonstrating superior efficiency and accuracy compared to conventional attention mechanisms. Experimental validation across six public benchmarks confirms the effectiveness of our approach, with TGFormer at most achieving 9.35\% precision improvement compared to state-of-the-art approaches.
• Abstract（参考訳）: テンポラルグラフニューラルネットワーク(TGNN)への関心の高まりは、複雑なダイナミクスをモデル化し、優れたパフォーマンスを提供する能力に起因している。 しかし、TGNNは長期の依存関係を捕捉し、周期的なパターンを特定するという根本的な課題に直面している。 これらの制約に対処するため,時間グラフに特化して設計された新しいトランスフォーマーアーキテクチャであるTGFormerを提案する。 本モデルでは時系列解析の原則に沿う軌跡の枠組みを確立することにより,時間グラフ学習を再定義する。 このアプローチにより、TGFormerは歴史的相互作用の体系的な解析を通じてノード表現を導出することができ、シーケンシャルタイムスタンプ間のノード関係を詳細に調べることができる。 確率的プロセス理論に基づいて,ノード間相互作用における周期的依存関係を体系的に発見する自動相関機構を開発する。 この革新により、TGFormerはサブインタラクションレベルで依存性の発見と表現の集約を行うことができ、従来のアテンション機構よりも効率と精度が優れている。 6つの公開ベンチマークで実験的に検証した結果、TGFormerは最先端のアプローチに比べて9.35倍の精度で改善されていることが確認された。

関連論文リスト

• Gaussian Relational Graph Transformer [14.982543038240784]
  GelGTは構造意味的協調サンプリング戦略を持つ関係グラフ変換器である。 さまざまな実世界のデータセットの実験は、GelGTが最先端のダウンストリームタスクのパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-05-15T03:36:28Z)
• Temporal Graph Pattern Machine [17.352525018007473]
  時間的グラフパターンマシン(TGPM)は、時間的に偏ったランダムウォークによって合成された相互作用パッチとして、各相互作用を概念化する。 TGPMは、トランスダクティブリンク予測とインダクティブリンク予測の両方において、常に最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-01-30T01:46:13Z)
• Simple and Efficient Heterogeneous Temporal Graph Neural Network [6.370086864615097]
  不均一時間グラフ (HTGs) は実世界のユビキタスデータ構造である。 我々は, 単純かつ効率的な時間的グラフニューラルネットワーク(SE-HTGNN)と呼ばれるHTGのための新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-21T09:43:08Z)
• When Speed meets Accuracy: an Efficient and Effective Graph Model for Temporal Link Prediction [20.093092172339286]
  テンポラルグラフニューラルネットワーク(T-GNN)は、時間的および構造的依存関係をモデル化するために複雑なアーキテクチャを活用することで、顕著な成功を収めた。 本稿では,短期的時間的傾向と長期的グローバルな構造パターンを統合する軽量なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-18T11:29:15Z)
• Mind the truncation gap: challenges of learning on dynamic graphs with recurrent architectures [10.434476078553786]
  連続時間動的グラフ(CTDG)は、機械学習(ML)アプローチに課題を提起する。 BPTT (Back Proagation-through-time) の短絡により, 1ホップ以上の依存関係の学習を制限できることが示されている。 我々はCTDGの重要性が増すにつれて、このギャップの理解と解決が不可欠であると主張する。
  論文  参考訳（メタデータ） (2024-12-30T16:07:41Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• 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)
• 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 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)

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。