Fugu-MT 論文翻訳(概要): Differentiable Koopman Operator for Contrastive Learning on Dynamic Graphs

論文の概要: Differentiable Koopman Operator for Contrastive Learning on Dynamic Graphs

arxiv url: http://arxiv.org/abs/2610.02990v1
Date: Fri, 02 Oct 2026 08:24:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 00:14:30.280499
Title: Differentiable Koopman Operator for Contrastive Learning on Dynamic Graphs
Title（参考訳）: 動的グラフ上でのコントラスト学習のための微分可能なクープマン演算子
Abstract要約: KAIROS(Koopman-Aligned Invariant Representations for Open Dynamic Systems)は、動的グラフのコントラスト学習ループ内に、微分可能なKoopman演算子を組み込む自己教師型フレームワークである。異常検出には、Koopman予測残差と時間的矛盾と局所的近傍偏差を併用し、予測可能なグラフの進化から不規則な振る舞いを分離する。
参考スコア（独自算出の注目度）: 7.218987720005679
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Real-world interaction networks are inherently dynamic: edges form and dissolve as node behavior shifts over time. Most snapshot-based contrastive methods encode temporal dependencies implicitly in encoder weights, without an explicit model of how node representations evolve, making them brittle under distribution shifts. We propose KAIROS (Koopman-Aligned Invariant Representations for Open Dynamic Systems), a self-supervised framework that embeds a differentiable Koopman operator within a dynamic graph contrastive learning loop to linearize temporal evolution in the learned embedding space. A dual-view encoder pairs raw node features with a graph-diffused structural view and is optimized with multi-granularity contrastive objectives across temporal windows. For anomaly detection, KAIROS uses the Koopman prediction residual together with temporal inconsistency and local neighborhood deviation to separate irregular behavior from predictable graph evolution. Evaluated on nine dynamic graph benchmarks, KAIROS achieves state-of-the-art anomaly detection results on all nine datasets, with gains of up to 23.15 ROC-AUC points over prior work, while remaining competitive for unsupervised node classification. These results show that explicit dynamics modeling provides a scalable and effective inductive bias for temporal graph representation learning.
Abstract（参考訳）: エッジは時間とともにノードの振る舞いが変化するにつれて形成され、解消される。ほとんどのスナップショットベースのコントラスト法は、ノード表現の進化の明確なモデルなしで、エンコーダ重みの時間的依存関係を暗黙的にエンコードする。 KAIROS (Koopman-Aligned Invariant Representations for Open Dynamic Systems) は,動的グラフに微分可能なクープマン演算子を組み込んだ自己教師型フレームワークである。デュアルビューエンコーダは、グラフ拡散構造ビューと生ノードの特徴をペアリングし、時間窓をまたいだ多粒度コントラスト目的に最適化される。異常検出には、Koopman予測残差と時間的矛盾と局所的近傍偏差を併用し、予測可能なグラフの進化から不規則な振る舞いを分離する。 9つの動的グラフベンチマークに基づいて評価され、KAIROSは9つのデータセットすべてに対して最先端の異常検出結果を達成する。これらの結果から,明示的動的モデリングは時間グラフ表現学習にスケーラブルで効果的な帰納的バイアスを与えることが示された。

関連論文リスト

PromptDyG: Test-Time Prompt Adaptation on Dynamic Graphs [97.88691137307723]
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。
論文参考訳（メタデータ） (2026-06-22T06:54:02Z)
INDEQS: Informed Neural controlled Differential EQuationS [13.60302952986747]
グラフに基づくNCDE予測手法であるInformed Informed Neural Control Differential EQuationS (INDEQS)を紹介する。 INDEQSは、グラフノードにまたがる隠れ状態の内部混合と、ベクトル場と制御の間の外部混合を分離する。我々は,水文ネットワーク上での河川流出予測とPeMS08上での交通流予測の2つの実世界の課題についてINDEQSを評価した。
論文参考訳（メタデータ） (2026-06-17T14:46:23Z)
Learning Dynamic Graph Representations through Timespan View Contrasts [22.625752038492006]
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。
論文参考訳（メタデータ） (2026-05-26T14:15:04Z)
An Operator-Consistent Graph Neural Network for Learning Diffusion Dynamics on Irregular Meshes [0.0]
拡散、損傷、治癒などの多物理相互作用は、しばしば不規則なメッシュ上で起こる。我々は,物理インフォームド制約下でのPDE進化を近似する演算子一貫性グラフニューラルネットワーク(OCGNN-PINN)を開発した。
論文参考訳（メタデータ） (2025-12-05T06:58:25Z)
Adaptive Sparsified Graph Learning Framework for Vessel Behavior Anomalies [3.3711670942444014]
グラフニューラルネットワークは、正確なインタラクションを学習するための強力なツールとして登場した。本稿では,エッジをタイムスタンプノードとしてモデル化した革新的なグラフ表現を提案する。この設定は、グラフの間隔を保ちながら空間的相互作用をキャプチャするマルチシップグラフを構築するために拡張される。
論文参考訳（メタデータ） (2025-02-20T02:01:40Z)
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)
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)
Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
論文参考訳（メタデータ） (2023-11-03T16:50:26Z)
Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文参考訳（メタデータ） (2023-05-16T11:38:19Z)
DyTed: Disentangled Representation Learning for Discrete-time Dynamic Graph [59.583555454424]
離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
論文参考訳（メタデータ） (2022-10-19T14:34:12Z)
Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。