論文の概要: Temporal Motif Signatures for Temporal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.01176v1
• Date: Sun, 31 May 2026 11:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.363739
• Title: Temporal Motif Signatures for Temporal Graph Neural Networks
• Title（参考訳）: 時間的グラフニューラルネットワークのための時間的モチーフシグナチャ
• Authors: Dylan Sandfelder, Mihai Cucuringu, Xiaowen Dong,
• Abstract要約: 我々は、過去風の星数が4つある小さな4つのファミリーが、すでに強力な静的GNNの上に持ち上げていることを示している。 3つのスケール安定な軸に沿ってモチーフアクティビティが一貫して構成されていることが分かりました。 時間的ワイスフェイラー・リーマン分析は、固定された時間的-WL階層の第一レベルに対する増大を配置し、モチーフの特徴が区別される候補-アンコールペアを示す。
• 参考スコア（独自算出の注目度）: 10.449640808601199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real temporal interaction streams carry predictive structure in short-horizon motif patterns -- repetition, reciprocity, star diversity, triadic flow -- that vanilla temporal graph neural networks (TGNNs) often fail to expose to their edge scorers. We show this concretely on MOOC interaction prediction, where a small four-feature family of past-window star counts already delivers most of the lift over a strong static GNN. Across a wide set of real and synthetic temporal datasets we find that motif activity organizes consistently along three scale-stable axes (dyadic recency/reciprocity, star diversity, triadic flow), and we use this empirical structure to design a compact 13-coordinate, leakage-safe, candidate-local motif feature map h(u, v, t) that linearly embeds into any static or temporal encoder without architectural changes. A temporal Weisfeiler-Leman (WL) analysis places the augmentation relative to the first level of an anchored temporal-WL hierarchy and exhibits a candidate-anchored pair on which motif features distinguish. We demonstrate empirically that the same augmentation consistently lifts performance across heterogeneous tasks: TGB link-property prediction across all five baselines, edge classification on Bitcoin Alpha/OTC and MOOC, and graph-level classification of synthetic temporal generators.
• Abstract（参考訳）: 実時間相互作用ストリームは、短い水平モチーフパターン(繰り返し、相互性、星の多様性、三進流)で予測構造を持ち、バニラ時間グラフニューラルネットワーク(TGNN)は、しばしばエッジスコアラーに露出しない。 このことはMOOCの相互作用予測において具体的に示されており、そこでは、過去風の星の数のうち4つの小さなファミリーが、強い静的GNN上でのリフトのほとんどを既に受け取っている。 広範にわたる実時間および合成時相データセットにおいて、モチーフのアクティビティは3つのスケール安定な軸に沿って一貫して構成されていることが分かり、この経験的構造を用いて、アーキテクチャ変更なしに任意の静的または時間的エンコーダに線形に埋め込まれるコンパクトな13座標、リークセーフ、候補局所モチーフ特徴写像h(u, v, t)を設計する。 時間的Weisfeiler-Leman (WL) 分析では、固定された時間的-WL階層の第一レベルに対する増大を配置し、モチーフの特徴が区別される候補アンコールペアを示す。 TGBのリンクプロパティ予測,Bitcoin Alpha/OTCおよびMOOCのエッジ分類,および合成時間発生器のグラフレベル分類などである。

関連論文リスト

• Persistent Homology of Time Series through Complex Networks [0.0]
  時系列は、3つのファミリーにまたがる5つの構造のうちの1つを通してグラフにマップされる。 グラフは、Vietoris-Rips濾過が永続図を生成する非相似行列に変換される。 これらの図は、持続的景観と位相的要約統計によって、固定長の特徴にベクトル化される。
  論文  参考訳（メタデータ） (2026-05-02T22:28:42Z)
• T3former: Temporal Graph Classification with Topological Machine Learning [4.4924444466378555]
  時間グラフ分類は、サイバーセキュリティ、脳接続分析、トラフィック監視などのアプリケーションにおいて重要な役割を果たす。 我々は、スライドウィンドウトポロジカルおよびスペクトルディスクリプタを1級トークンとして活用し、特殊なディスクリプタ・アテンション機構によって統合された新しいトポロジカル・テンポロジカル・トランスフォーマーT3formerを紹介する。 T3formerは、動的ソーシャルネットワーク、脳機能接続データセット、トラフィックネットワークなど、複数のベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-15T17:46:32Z)
• 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)
• CTRL: Continuous-Time Representation Learning on Temporal Heterogeneous Information Network [32.42051167404171]
  時間HINを用いた連続時間表現学習モデルを提案する。 我々は、高次ネットワーク構造の進化を捉えるために、将来の事象(サブグラフ)予測タスクでモデルを訓練する。 その結果,本モデルは性能を著しく向上し,様々な最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-11T03:39:22Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• 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)
• Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
  S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。 このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
  論文  参考訳（メタデータ） (2022-02-25T10:02:49Z)
• 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)
• Neural Higher-order Pattern (Motif) Prediction in Temporal Networks [9.717332900439432]
  時間ハイパーグラフにおける高次パターン予測のための最初のモデルHITを提案する。 ヒッタは、時間ハイパーグラフ上のノード三重項の構造的表現を抽出し、それを使って、この三重項において相互作用の展開が起こる理由、時期、および理由を判断する。
  論文  参考訳（メタデータ） (2021-06-10T20:42:41Z)

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。