論文の概要: Dynamic Heterogeneous Graph Representation Learning: A Survey

• arxiv url: http://arxiv.org/abs/2609.04779v1
• Date: Fri, 04 Sep 2026 06:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.931499
• Title: Dynamic Heterogeneous Graph Representation Learning: A Survey
• Title（参考訳）: 動的不均一グラフ表現学習
• Abstract要約: 動的不均質グラフ(DHG)の表現学習は,低次元表現を学習するための重要なアプローチとして現れている。 本調査では,DHG表現学習手法の体系的検討を行った。
• 参考スコア（独自算出の注目度）: 20.878035348998218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph representation learning (GRL) serves as a canonical paradigm for modeling complex networks. However, real-world AI systems inherently manifest as evolving heterogeneous entities with complex interactions, posing significant challenges to static or homogeneous modeling. To address these complexities, representation learning for Dynamic Heterogeneous Graphs (DHGs) has emerged as a vital approach for learning low-dimensional representations that simultaneously preserve structural semantics and temporal dynamics. This survey presents the first systematic review of DHG representation learning methods. We first introduce a unified formal definition that encompasses both discrete-time and continuous-time DHGs from the perspective of temporal granularity. Building upon this formulation, we propose a novel algorithm-centric taxonomy that categorizes existing literature, including early embedding-based approaches, graph neural network (GNN)-based models, and relatively recent Transformer-based DHG methods, while explicitly highlighting their intrinsic modeling biases with respect to dynamic granularity. Furthermore, we summarize representative applications of DHG representation learning, along with commonly used datasets and benchmarks. Finally, we discuss promising research directions that guide future advances in this rapidly evolving field.
• Abstract（参考訳）: グラフ表現学習(GRL)は、複雑なネットワークをモデリングするための標準パラダイムである。 しかし、現実のAIシステムは本質的に、複雑な相互作用を持つ異質な実体の進化として現れ、静的または均質なモデリングに重大な課題を生んでいる。 これらの複雑さに対処するために、動的不均一グラフ(DHG)の表現学習は、構造的意味論と時間的ダイナミクスを同時に保持する低次元表現を学習するための重要なアプローチとして登場した。 本調査では,DHG表現学習手法の体系的検討を行った。 まず、時間的粒度の観点から離散時間DHGと連続時間DHGの両方を包含する統一形式定義を導入する。 この定式化に基づいて、我々は、早期埋め込みに基づくアプローチ、グラフニューラルネットワーク(GNN)ベースのモデル、および比較的最近のTransformerベースのDHG手法を含む既存の文献を分類するアルゴリズム中心の新たな分類法を提案する。 さらに,DHG表現学習の代表的な応用を,一般的なデータセットやベンチマークとともに要約する。 最後に、この急速に発展する分野における今後の進歩を導く有望な研究方向について論じる。

関連論文リスト

• Simple and Efficient Heterogeneous Temporal Graph Neural Network [6.370086864615097]
  不均一時間グラフ (HTGs) は実世界のユビキタスデータ構造である。 我々は, 単純かつ効率的な時間的グラフニューラルネットワーク(SE-HTGNN)と呼ばれるHTGのための新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-21T09:43:08Z)
• Graph Neural Networks in Modern AI-aided Drug Discovery [16.25759507753197]
  AI助薬発見のための強力なツールとして、グラフニューラルネットワーク(GNN)が登場した GNNは、薬物様分子の複雑な位相的および幾何学的特徴を学ぶための直感的で表現力豊かなフレームワークを提供する。 本総説では薬物発見におけるGNNの方法論的基礎と代表的応用について概説する。
  論文  参考訳（メタデータ） (2025-06-07T20:29:59Z)
• Learning Dynamic Graphs via Tensorized and Lightweight Graph Convolutional Networks [0.0]
  動的グラフの正確な表現学習を実現するために動的グラフ畳み込みネットワーク(DGCN)が成功している。 本研究は,動的グラフ学習のための新しい軽量グラフコナーネットワーク (TLGCN) を提案する。
  論文  参考訳（メタデータ） (2025-04-22T06:13:32Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Information propagation dynamics in Deep Graph Networks [1.8130068086063336]
  Deep Graph Networks(DGN)は、構造化情報の処理と学習が可能なディープラーニングモデルのファミリとして登場した。 この論文は、静的グラフと動的グラフのためのDGNの内部の情報伝達のダイナミクスを考察し、動的システムとしての設計に焦点をあてる。
  論文  参考訳（メタデータ） (2024-10-14T12:55:51Z)
• Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• 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)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。