論文の概要: PromptDyG: Test-Time Prompt Adaptation on Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2606.22914v1
• Date: Mon, 22 Jun 2026 06:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 03:38:36.113887
• Title: PromptDyG: Test-Time Prompt Adaptation on Dynamic Graphs
• Title（参考訳）: PromptDyG:動的グラフ上のテスト時間プロンプト適応
• Authors: Guoguo Ai, Chaoxi Niu, Hui Yan, Joey Tianyi Zhou, Yew-Soon Ong, Guansong Pang,
• Abstract要約: PromptDyGは、教師なしテストタイムのPrompt適応を動的グラフ学習に活用する新しいフレームワークである。 理論的には、この教師なしのプロンプト適応は、正対と負対のより大きな類似性マージンを保証し、より正確な動的予測を促進することが示される。
• 参考スコア（独自算出の注目度）: 97.88691137307723
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Activities in numerous evolving systems can be represented as dynamic graphs in snapshot form at different time intervals, i.e., discrete-time dynamic graphs (DTDGs). Existing methods show impressive advances in capturing historical temporal evolution patterns in DTDGs, but they focus on addressing an offline learning setting, where models are trained using historical snapshots once and then evaluated to all subsequent graph snapshots without further updating. This fails to capture 1) the nature of evolving complexities across graph snapshots and 2) the distribution shift in the testing graph snapshots. To address these problems, we propose PromptDyG, a novel framework that leverages unsupervised test-time Prompt adaptation for Dynamic Graph learning under a live-update online setting. The key insight is that an expressive dynamic graph prompt can be learned on a frozen backbone via minimization of feature-wise, label-free entropy to efficiently and continuously model the evolving patterns. We show theoretically that this unsupervised prompt adaptation can guarantee a larger similarity margin between positive and negative pairs, facilitating more accurate dynamic predictions. It is further confirmed by our extensive empirical results on six benchmark datasets that show consistent and significant improvements of PromptDyG over state-of-the-art baselines.
• Abstract（参考訳）: 多数の進化系における活動は、異なる時間間隔、すなわち離散時間動的グラフ(DTDG)でスナップショット形式で動的グラフとして表現することができる。 既存の手法は、DTDGの歴史的時間的進化パターンをキャプチャする際、顕著な進歩を示しているが、それらはオフラインの学習環境に焦点をあてている。 これは捕獲に失敗する 1)グラフスナップショットにおける複雑化の進化の性質 2) テストグラフスナップショットの分布シフト。 このような問題に対処するため,リアルタイムオンライン環境下での動的グラフ学習のための教師なしテスト時間 Prompt 適応を利用した新しいフレームワーク PromptDyG を提案する。 キーとなる洞察は、表現力のある動的グラフプロンプトは、機能的にラベルのないエントロピーを最小化し、進化するパターンを効率的かつ継続的にモデル化することで、凍結したバックボーン上で学習できるということである。 理論的には、この教師なしのプロンプト適応は、正対と負対のより大きな類似性マージンを保証し、より正確な動的予測を促進することが示される。 6つのベンチマークデータセットの広範な実験結果により、最先端のベースラインよりも、PromptDyGの一貫性と大幅な改善が示されたことがさらに確認された。

関連論文リスト

• Test-time GNN Model Evaluation on Dynamic Graphs [52.31268996286955]
  我々は,DyGEvalと呼ばれる動的グラフニューラルネットワーク評価器を提案し,この問題に対処する。 提案したDyGEvalは,(1) テスト時動的グラフシミュレーション,(2) テスト時動的グラフ上でのよく訓練されたDGNNモデルの性能を正確に推定するDyGEvalの開発・訓練の2段階からなる。
  論文  参考訳（メタデータ） (2025-09-28T11:40:37Z)
• UniDyG: A Unified and Effective Representation Learning Approach for Large Dynamic Graphs [25.66188469474215]
  動的グラフに対する統一表現学習手法を提案する。 我々は、UniDyGが9つの動的グラフにまたがる16のベースラインに対して平均14.4%の改善を達成していることを示す。
  論文  参考訳（メタデータ） (2025-02-23T04:11:21Z)
• 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)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで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） (2024-08-13T15:21:46Z)
• Node-Time Conditional Prompt Learning In Dynamic Graphs [14.62182210205324]
  DYGPROMPTは動的グラフモデリングのための新しい事前学習および迅速な学習フレームワークである。 我々はノードと時間の特徴が相互に特徴付けることを認識し、下流タスクにおけるノード時間パターンの進化をモデル化するための2つの条件ネットを提案する。
  論文  参考訳（メタデータ） (2024-05-22T19:10:24Z)
• 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)
• Instant Graph Neural Networks for Dynamic Graphs [18.916632816065935]
  Instant Graph Neural Network (InstantGNN) を提案する。 提案手法は,時間を要する反復計算を回避し,表現の即時更新と即時予測を可能にする。 本モデルでは,既存手法よりも高精度かつ高次精度で最先端の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-03T03:27:42Z)

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。