論文の概要: SAGA: Synthetic Agentic Graph Architecture for Temporal Benchmark Generation

• arxiv url: http://arxiv.org/abs/2607.17288v1
• Date: Sun, 19 Jul 2026 15:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.419982
• Title: SAGA: Synthetic Agentic Graph Architecture for Temporal Benchmark Generation
• Title（参考訳）: SAGA: 時間ベンチマーク生成のための合成エージェントグラフアーキテクチャ
• Abstract要約: SAGAは4相パイプラインを介して意味的にリッチな時間グラフを生成するシステムである。 構造的リアリズム、意味的豊かさ、および統一されたフレームワークにおける自動異常ラベルを実現する。 このシステムは、リアルタイムパイプラインの可視化、インタラクティブなマルチドメインチューニング、大規模GPUベースの実験のためのCLIをサポートする。
• 参考スコア（独自算出の注目度）: 4.0999277836699894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High quality temporal graph benchmarks with rich semantics and ground-truth anomaly labels are essential for training graph neural networks, yet remain scarce due to privacy constraints and annotation costs. We present SAGA (Synthetic Agentic Graph Architecture), a system for generating large-scale, semantically rich temporal graphs via a four-phase pipeline. Our Skeleton-First, Semantics-Second architecture decouples structure from semantics: (S) an O(1)-per-edge skeleton generator produces power-law graphs; (A) a dispatcher partitions causally ordered time blocks for parallel execution; (G) LLM agents inject domain semantics using RAG-based rule bases across four domains; and (A) a state alignment engine resolves conflicts via temporal replay, yielding anomaly labels as natural byproducts. Unlike structural generators (e.g., LDBC SNB, Kronecker/R-MAT) or purely LLM-based approaches, SAGA achieves structural realism, semantic richness, and automatic anomaly labeling in a unified framework. On a single H100 GPU with vLLM batching, SAGA generates 500,000 temporal edges with controlled anomalies in under 90 minutes, scaling to 100,000 nodes while maintaining clustering coefficients above 0.99. The system supports real-time pipeline visualization, interactive multi-domain tuning (Finance/AML, Network/IDS, Cyber/APT, Transportation), and a CLI for large-scale GPU-based experiments.
• Abstract（参考訳）: リッチセマンティクスと地味な異常ラベルを備えた高品質な時間グラフベンチマークは、グラフニューラルネットワークのトレーニングには不可欠だが、プライバシの制約とアノテーションのコストのため、依然として不足している。 大規模で意味的に豊かな時間グラフを4相パイプラインで生成するシステムSAGA(Synthetic Agentic Graph Architecture)を提案する。 我々のSkeleton-First, Semantics-Secondアーキテクチャは、セマンティクスから構造を分離する: (S) O(1)-edgeスケルトンジェネレータは、パワーローグラフを生成する; (A) ディスペンサは、並列実行のために因果的に順序付けられた時間ブロックを分割する; (G) LLMエージェントは、4つのドメインにわたるRAGベースのルールベースを使用してドメインセマンティクスを注入する; (A) 状態アライメントエンジンは、時間的再生によって競合を解決し、異常なラベルを自然な副産物として生成する。 構造生成器(例えば、LDBC SNB、Kronecker/R-MAT)や純粋にLLMベースのアプローチとは異なり、SAGAは構造的リアリズム、セマンティックリッチネス、および自動異常ラベルを統一されたフレームワークで達成する。 vLLMバッチを備えた1つのH100 GPUでは、SAGAは90分未満で制御された異常を持つ50,000の時間エッジを生成し、0.99以上のクラスタリング係数を維持しながら10000ノードにスケールアップする。 このシステムは、リアルタイムパイプラインの可視化、インタラクティブなマルチドメインチューニング(Finance/AML、Network/IDS、Cyber/APT、Transport)、大規模GPUベースの実験のためのCLIをサポートする。

関連論文リスト

• LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals [50.157719466558696]
  現代の発電機は, セマンティック・残留部分空間において, 支配的なセマンティックな方向を保ちながら, 低ランクの崩壊を示すことを示す。 崩壊した残余幾何を捉えるために意味的優位性を分離するフレームワークである textbfLoRC を提案する。 本手法は,複数のベンチマークで平均7.0%の精度向上を実現し,39個の未知のジェネレータ上で97.0%の精度を実現する。
  論文  参考訳（メタデータ） (2026-08-21T08:58:47Z)
• When GNNs Fail: Quantifying and Overcoming Temporal Correlation Volatility in Time Series [14.456983509027195]
  本稿では、2つの理論的基盤設計機構によって強化された新しいGNN層であるGLIDE(Graph Layer for Inference in Dynamic En-Vironments)を提案する。 合成および実世界のベンチマークの実験では、GLIDEは静的および動的設定で平均性能を最大45.6%改善している。
  論文  参考訳（メタデータ） (2026-08-07T15:28:45Z)
• Temporal Sheaf Neural Networks with Dynamic Orthogonal Transport [0.5709546417287261]
  本稿では,時間的リンク予測フレームワークであるTSNNを紹介する。 TSNNは、動的局所フレームを通してノード固有で進化する相互作用の意味をモデル化する。 すべての計算は厳密な因果関係を持ち、事前の履歴のみを使用する。
  論文  参考訳（メタデータ） (2026-06-08T18:47:31Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Graph Variate Neural Networks [9.744098349911168]
  本稿では,GVNN(Graph-Variate Neural Networks: Graph-Variate Neural Networks)について紹介する。 GVNNはグラフベースのモーターベースラインを一貫して上回り、LSTMやTransformerといったシーケンスモデルと競合する。 脳波画像の分類において、GVNNは脳-コンピュータインタフェースの応用の可能性を強調する強力な精度を達成する。
  論文  参考訳（メタデータ） (2025-09-24T16:44:08Z)
• Taming the Chaos: Coordinated Autoscaling for Heterogeneous and Disaggregated LLM Inference [5.786961198115219]
  Serving Large Language Models (LLMs)は、従来のオートスケーラが不足するGPU集約的なタスクである。 我々は,P/D分散サービスにおけるコア課題に対処する,協調型自動スケーリングフレームワークであるHeteroScaleを紹介した。
  論文  参考訳（メタデータ） (2025-08-27T04:22:02Z)
• Sheaf Graph Neural Networks via PAC-Bayes Spectral Optimization [13.021238902084647]
  グラフニューラルネットワーク(GNN)のオーバースムース化は、異なるノード機能で崩壊を引き起こす。 SGPC (Sheaf GNNs with PAC-Bayes) は,セルラーシェーフメッセージパッシングと複数のメカニズムを組み合わせた統一アーキテクチャである。 9つのホモ親和性およびヘテロ親和性ベンチマークの実験により、SGPCは最先端スペクトルおよび層ベースGNNよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-08-01T06:39:28Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
  GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。 GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。 得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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 [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• GTEA: Inductive Representation Learning on Temporal Interaction Graphs via Temporal Edge Aggregation [11.526912398475513]
  時間的相互作用グラフ(TIG)の帰納学習のためのグラフ時間的エッジ集約フレームワークを提案する。 隣接ノードと対応するエッジの埋め込みの特徴を集約することにより、GTEAはTIGの位相的および時間的依存関係の両方を共同で学習する。 さらに, 隣接アグリゲーションに空間性誘導型自己注意スキームが組み込まれ, より重要で, GTEA の自明なノイズを抑制する。
  論文  参考訳（メタデータ） (2020-09-11T07:52:05Z)

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。