論文の概要: Dynamic Link Prediction with Temporally Enhanced Signed Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2605.26290v1
• Date: Mon, 25 May 2026 19:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.384798
• Title: Dynamic Link Prediction with Temporally Enhanced Signed Graph Neural Networks
• Title（参考訳）: 図形ニューラルネットワークによる動的リンク予測
• Authors: Derek Regier, Andrew Polyak, Aresh Dadlani, Khosro Salmani,
• Abstract要約: 時間的署名ネットワーク(TSN)は、協調関係と敵対関係の時間的進化をモデル化する。 本稿では,歴史的文脈を静的なアーキテクチャに統合した署名付きGNNのための時空間拡張フレームワークを提案する。 Bitcoin OTC、Bitcoin Alpha、Reddit、および小さな世界のネットワークモデルを含む、現実世界および合成TSNの実験は、一貫性と統計的に重要な改善を示している。
• 参考スコア（独自算出の注目度）: 1.5259434915412646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal signed networks (TSNs) model the time evolution of cooperative and adversarial relationships that arise in applications such as social media analysis, trust and reputation systems, and financial transaction networks. While graph neural networks (GNNs) perform well for static or unsigned link prediction, effective learning in temporal signed graphs remains challenging due to the interaction of signed relations, evolving structure, and balance-theoretic constraints. To address this gap, we propose a \emph{modular} temporal enhancement framework for signed GNNs that integrates historical context into otherwise static architectures. The framework introduces a Historical Context Integration Module (HCIM) that combines learnable recency-aware temporal weighting, LSTM-based embedding trajectory modeling, and multi-head temporal attention to capture both short- and long-term signed interaction dynamics. Historical information is fused with current node representations using either global or node-adaptive weighting, allowing the architecture-agnostic framework to accommodate heterogeneous temporal behaviors. We instantiate the approach on the Self-Explainable Signed Graph Transformer (SE-SGformer), preserving interpretability while extending it with temporal awareness. Experiments on real-world and synthetic TSNs, including Bitcoin OTC, Bitcoin Alpha, Reddit, and small-world network models, demonstrate consistent and statistically significant improvements over the static baseline.
• Abstract（参考訳）: 時間的署名ネットワーク(TSN)は、ソーシャルメディア分析、信頼と評判システム、金融取引ネットワークなどのアプリケーションで発生する協調的および敵対的関係の時間的進化をモデル化する。 グラフニューラルネットワーク(GNN)は静的または符号なしのリンク予測によく機能するが、符号付き関係の相互作用、構造の進化、バランス理論上の制約により、時間的符号付きグラフの効果的な学習は依然として困難である。 このギャップに対処するために,歴史的文脈を静的なアーキテクチャに統合する署名付きGNNのための時空間拡張フレームワークを提案する。 このフレームワークは、学習可能な相対性を考慮した時間重み付け、LSTMに基づく埋め込み軌道モデリング、および短期および長期に署名された相互作用のダイナミクスを捉えるための多面的時間的注意を結合した履歴コンテキスト統合モジュール(HCIM)を導入している。 歴史的情報は、グローバルまたはノード適応重み付けを使用して現在のノード表現と融合し、アーキテクチャに依存しないフレームワークが異種時間的振る舞いに対応できるようにする。 自己説明可能な符号付きグラフ変換器(SE-SGformer)へのアプローチをインスタンス化し、時間的認識で拡張しながら解釈性を維持する。 Bitcoin OTC、Bitcoin Alpha、Reddit、および小さな世界のネットワークモデルを含む、現実世界および合成TSNの実験は、静的ベースラインよりも一貫性があり統計的に重要な改善を示している。

関連論文リスト

• A2QTGN: Adaptive Amplitude Quantum-Integrated Temporal Graph Network for Dynamic Link Prediction [2.070154957844851]
  A2QTGNは、適応振幅符号化とテンポラルグラフネットワークのバックボーンを組み合わせたハイブリッド量子古典フレームワークである。 本稿では,A2QTGNが様々な動的グラフにまたがる高い予測とランク付け性能を実現することを示す。 ノイズの多いバックエンドと制限された実デバイス実行を用いたハードウェア対応推論は、短期量子支援時間グラフ学習の実現性をサポートする。
  論文  参考訳（メタデータ） (2026-05-21T02:38:29Z)
• DWAFM: Dynamic Weighted Graph Structure Embedding Integrated with Attention and Frequency-Domain MLPs for Traffic Forecasting [12.788467568098817]
  本稿では,新しい動的重み付きグラフ構造(DWGS)の埋め込み法を提案する。 これは、時間とともにノード間の動的関連性の強さの変化を真に反映できるグラフ構造に依存している。 実世界の5つのトラフィックデータセットの実験では、DWAFMは最先端の手法よりも優れた予測性能を達成している。
  論文  参考訳（メタデータ） (2026-03-01T08:50:41Z)
• A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction [0.5836991649815993]
  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。
  論文  参考訳（メタデータ） (2026-02-15T17:16:47Z)
• Sequence Diffusion Model for Temporal Link Prediction in Continuous-Time Dynamic Graph [5.83093727437226]
  既存の時間グラフニューラルネットワークは、主に歴史的相互作用の学習表現に焦点を当てている。 本稿では,動的グラフ学習を生成的認知と統合する,新しいシーケンスレベルの拡散フレームワークを提案する。 我々は,時間的リンク予測タスクにおいて,このフレームワークが常に最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-01-30T18:02:12Z)
• Multi-Scale Spatial-Temporal Self-Attention Graph Convolutional Networks for Skeleton-based Action Recognition [0.0]
  本稿では,マルチスケール空間時間自己注意(MSST)-GCNという自己注意型GCNハイブリッドモデルを提案する。 適応トポロジを持つ空間自己保持モジュールを用いて、異なる身体部分間のフレーム内相互作用を理解するとともに、時間的自己保持モジュールを用いてノードのフレーム間の相関関係を調べる。
  論文  参考訳（メタデータ） (2024-04-03T10:25:45Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• 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)
• 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)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。