論文の概要: Learning Dynamic Graph Representations through Timespan View Contrasts

• arxiv url: http://arxiv.org/abs/2605.27063v1
• Date: Tue, 26 May 2026 14:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.212461
• Title: Learning Dynamic Graph Representations through Timespan View Contrasts
• Title（参考訳）: タイムパンビューコントラストによる動的グラフ表現の学習
• Authors: Yiming Xu, Zhen Peng, Bin Shi, Xu Hua, Bo Dong,
• Abstract要約: 本稿では,動的グラフの時間的進化をエレガントにモデル化する方法を考察する。 我々は,局所的に一貫した時間変換不変性を維持するための動的グラフ表現フレームワーク CLDG を開発した。 CLDGとCLDG++は、異なるタイムパン間の一貫性を計測することで、動的グラフ上の異常を識別するタスクとシームレスに統合される。
• 参考スコア（独自算出の注目度）: 22.625752038492006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rich information underlying graphs has inspired further investigation of unsupervised graph representation. Existing studies mainly depend on node features and topological properties within static graphs to create self-supervised signals, neglecting the temporal components carried by real-world graph data, such as timestamps of edges. To overcome this limitation, this paper explores how to model temporal evolution on dynamic graphs elegantly. Specifically, we introduce a new inductive bias, namely temporal translation invariance, which illustrates the tendency of the identical node to keep similar labels across different timespans. Based on this assumption, we develop a dynamic graph representation framework CLDG that encourages the node to maintain locally consistent temporal translation invariance through contrastive learning on different timespans. Except for standard CLDG which only considers explicit topological links, our further proposed CLDG++ additionally employs graph diffusion to uncover global contextual correlations between nodes, and designs a multi-scale contrastive learning objective composed of local-local, local-global, and global-global contrasts to enhance representation capabilities. Interestingly, by measuring the consistency between different timespans to shape anomaly indicators, CLDG and CLDG++ are seamlessly integrated with the task of spotting anomalies on dynamic graphs, which has broad applications in many high-impact domains, such as finance, cybersecurity, and healthcare. Experiments demonstrate that CLDG and CLDG++ both exhibit desirable performance in downstream tasks including node classification and dynamic graph anomaly detection. Moreover, CLDG significantly reduces time and space complexity by implicitly exploiting temporal cues instead of complicated sequence models.
• Abstract（参考訳）: グラフの基礎となる豊富な情報は、教師なしグラフ表現のさらなる研究にインスピレーションを与えている。 既存の研究は主に静的グラフ内のノードの特徴とトポロジ特性に依存し、エッジのタイムスタンプのような現実世界のグラフデータによって運ばれる時間成分を無視して、自己教師付き信号を生成する。 この制限を克服するために、動的グラフの時間的進化をエレガントにモデル化する方法を考察する。 具体的には、時間的変換不変性という新しい帰納バイアスを導入し、同じノードが異なるタイムパンに同じラベルを保持する傾向を示す。 この仮定に基づき、異なる時間領域における対照的な学習を通して、ノードが局所的に一貫した時間変換不変性を維持することを奨励する動的グラフ表現フレームワークCLDGを開発する。 明示的なトポロジ的リンクのみを考慮した標準CLDGを除いて,我々はさらに,ノード間のグローバルなコンテキスト相関を明らかにするためにグラフ拡散を用いて,局所的,局所的,グローバルなコントラストからなるマルチスケールのコントラスト学習目標を設計し,表現能力を向上する。 興味深いことに、異なるタイムパン間の一貫性を測定して異常指標を形作ることで、CLDGとCLDG++は、金融、サイバーセキュリティ、ヘルスケアなど、多くの高影響領域で広く応用されている動的グラフ上の異常を見つけるタスクとシームレスに統合される。 実験により、CLDGとCLDG++はどちらも、ノード分類や動的グラフ異常検出を含む下流タスクにおいて望ましい性能を示した。 さらに、CLDGは複雑なシーケンスモデルの代わりに時間的手がかりを暗黙的に活用することで、時間と空間の複雑さを著しく低減する。

関連論文リスト

• CLDG: Contrastive Learning on Dynamic Graphs [37.512771826351454]
  グラフコントラスト学習は、統計グラフの拡張ビュー間の相互情報を最大化することにより、自己教師付き信号を構成する。 セマンティクスとラベルは拡張プロセス内で変更され、下流タスクのパフォーマンスが大幅に低下する可能性がある。 この問題に対処するため,我々はCLDGというシンプルなフレームワークを設計した。
  論文  参考訳（メタデータ） (2024-12-19T01:59:24Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
  本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。 RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。 離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-20T04:12:50Z)
• 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)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• 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。