論文の概要: 'Si'multaneous 'S'patial-'T'emporal Message Passing for Dynamic Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2605.25548v1
• Date: Mon, 25 May 2026 08:04:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.456064
• Title: 'Si'multaneous 'S'patial-'T'emporal Message Passing for Dynamic Graph Representation Learning
• Title（参考訳）: 動的グラフ表現学習のための"Si'multaneous "S'patial-'T'emporal Message Passing"
• Authors: Shubhajit Roy, Anirban Dasgupta,
• Abstract要約: 本稿では,1つのメッセージパス操作内で2つの信号を融合するtextbfSiST-GNN(textbfSimultaneous textbfSpatial-textbfTemporal textbfGNN)を提案する。 我々の実証研究は、9つの公的なベースラインと14のモデル-データセットの組み合わせにまたがっており、固定分割型とライブ更新型の両方の評価体制をカバーしている。
• 参考スコア（独自算出の注目度）: 1.39296688544827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic graph neural networks (DGNNs) that operate on snapshot sequences typically fall into one of two categories. \emph{Temporal-first} approaches build per-node temporal embeddings and only afterwards perform spatial aggregation, whereas \emph{Spatial-first} approaches invert this order, feeding the output of a graph convolution into a downstream temporal module. In either case, the rigid sequencing forces the second stage to consume an already-compressed summary produced by the first, ruling out joint reasoning over topology and evolution; concretely, the message-passing operator never gets to weight a neighbor's contribution by that neighbor's \emph{past} trajectory. This paper introduces \textbf{SiST-GNN} (\textbf{Si}multaneous \textbf{S}patial-\textbf{T}emporal \textbf{GNN}), which fuses the two signals inside a single message-passing operation rather than chaining them. Concretely, at each snapshot we maintain a recurrent hidden state per node that summarises its history, pair it with the node's current feature vector, and treat the pair as two nodes joined by a cross-time edge; running a standard graph convolution on this temporally augmented graph yields the updated representation. Our empirical study spans nine public baselines and fourteen model-dataset combinations, covering both fixed-split and live-update evaluation regimes. Across every public benchmark, SiST-GNN sets a new state of the art in link prediction task over the strongest prior method by $109$--$277\%$ in the fixed-split setting and by $68$--$194\%$ in the live-update setting. We additionally construct three dynamic node-classification tasks by discretising the underlying continuous-time event streams; here SiST-GNN beats the leading discrete-time (DTDG) baseline by $7$--$22\%$ and matches continuous-time (CTDG) methods that consume the raw events directly.
• Abstract（参考訳）: スナップショットシーケンスで動作する動的グラフニューラルネットワーク(DGNN)は通常、2つのカテゴリの1つに分類される。 \emph{Temporal-first} のアプローチはノード毎の時間的埋め込みを構築し、その後に空間的アグリゲーションのみを実行するが、 \emph{Spatial-first} のアプローチはこの順序を逆転させ、グラフの畳み込みの出力を下流の時間的加群に供給する。 いずれの場合も、厳密なシークエンシングは第2段階において、第1段階が生成した圧縮された要約を消費させ、トポロジーと進化に関する共同推論を除外する。 本稿では,1つのメッセージパス操作内に2つの信号を融合させる。 具体的には、各スナップショットにおいて、ノード毎のリカレントな隠れ状態を保持し、その履歴を要約し、ノードの現在の特徴ベクトルとペアリングし、ペアを2つのノードとしてクロスタイムエッジで結合して扱う。 我々の実証研究は、9つの公的なベースラインと14のモデル-データセットの組み合わせにまたがっており、固定分割型とライブ更新型の両方の評価体制をカバーしている。 すべての公開ベンチマークにおいて、SiST-GNNは、最強の事前メソッドに対する新しい最先端のリンク予測タスクを、固定スプリット設定で109$--277\%$、ライブ更新設定で680$--194\%$で設定する。 SiST-GNNは、主要な離散時間(DTDG)ベースラインを7ドル～22ドル(約7万2000円)で破り、生イベントを直接消費する連続時間(CTDG)メソッドと一致します。

関連論文リスト

• Bridging the Divide: End-to-End Sequence-Graph Learning [47.95529678412846]
  シーケンスとグラフは別の問題ではなく、同じデータセットの相補的な側面であると主張する。 BRIDGEは,シーケンスエンコーダとGNNを結合したエンドツーエンドアーキテクチャである。 BRIDGEは、静的GNN、時間グラフ法、およびランク付けと分類基準に基づくシーケンスのみのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-29T03:06:54Z)
• THeGCN: Temporal Heterophilic Graph Convolutional Network [51.25112923442657]
  本研究では,時間的ヘテロフィルグラフ畳み込みネットワーク(THeGCN)を提案し,両端(空間)ヘテロフィリーと時間的ヘテロフィリーを正確に捉える。 THeGCNモデルは2つの重要なコンポーネントで構成されている。 5つの実世界のデータセットで実施された大規模な実験により、THeGCNの有効性が検証された。
  論文  参考訳（メタデータ） (2024-12-21T01:52:03Z)
• Repeat-Aware Neighbor Sampling for Dynamic Graph Learning [8.975322389416734]
  既存の研究は、主に最新の隣のシーケンスに依存して進化するパターンを得る。 将来、2つのノードが相互に相互作用するかどうかは、過去に起こったのと同じ相互作用と非常に相関している、と我々は主張する。 本稿では,近隣のサンプリング戦略と時間情報学習における1次・高次反復行動の進化パターンを考察したRepeatMixerを提案する。
  論文  参考訳（メタデータ） (2024-05-24T03:24:29Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Dynamic Spatiotemporal Graph Neural Network with Tensor Network [12.278768477060137]
  動的空間グラフ構築は時系列データ問題に対するグラフニューラルネットワーク(GNN)の課題である。 我々は、全ての動的空間関係を収集する空間テンソルグラフ(STG)と、各ノードにおける遅延パターンを見つけるための時間テンソルグラフ(TTG)を生成する。 提案手法の精度と時間的コストを,公共交通データセット上での最先端のGNN手法と比較した。
  論文  参考訳（メタデータ） (2020-03-12T20:47:22Z)

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。