論文の概要: RAFT: Redundancy-Aware Input Filtering for Temporal Graph Neural Network Training

• arxiv url: http://arxiv.org/abs/2610.24875v1
• Date: Sat, 17 Oct 2026 21:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 15:36:57.657346
• Title: RAFT: Redundancy-Aware Input Filtering for Temporal Graph Neural Network Training
• Title（参考訳）: RAFT:時間的グラフニューラルネットワークトレーニングのための冗長性を考慮した入力フィルタ
• Abstract要約: 時間グラフニューラルネットワーク(TGNN)のための冗長性を考慮した入力フィルタリングフレームワークを提案する。 RAFTはトレーニング中のメモリ変更を追跡し、2つのフィルタをガイドする: root-eventフィルタはトレーニング前に選択した予測ターゲットを削除し、 support-event filterはサンプリング時に選択された履歴コンテキストを除外する。 3つのTGNNモデルと5つのデータセットで、RAFTはトレーニング入力を平均35.23%、最大97.11%削減し、記録されたトレーニング時間を最大52.56%削減した。
• 参考スコア（独自算出の注目度）: 6.160743918761227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal graph neural networks (TGNNs) have shown strong performance on dynamic graph learning tasks by continuously updating node memories from evolving interactions (i.e., events) and leveraging these memories for downstream predictions. As graphs grow rapidly in modern applications, training requires processing an increasing number of events; meanwhile, each event can update node memories used by later events, creating dependencies that constrain parallel execution and limit the benefits of additional computing resources. These costs motivate an upstream question: Are all events, and the dependencies they introduce, necessary for learning? We investigate this question through two roles of temporal events: prediction targets and historical events sampled as inputs. We observe that targets involving stable node memories tend to exhibit lower prediction loss, while filtering historical events associated with stable memories can retain similar training-loss trajectories in several evaluated settings. Together, these observations suggest an opportunity to identify input redundancy through changes in node memories. Building on this opportunity, we propose RAFT, a redundancy-aware input-filtering framework for TGNN training. RAFT tracks memory changes during training and uses them to guide two filters: a root-event filter removes selected prediction targets before training, and a support-event filter excludes selected historical context during sampling. Filtering inputs before their downstream preparation and processing reduces the work they trigger. Across three TGNN models and five datasets, RAFT reduces training inputs by 35.23% on average and up to 97.11%, while reducing recorded training time by up to 52.56\% with negligible changes to model precisions.
• Abstract（参考訳）: 時間グラフニューラルネットワーク(TGNN)は、進化する相互作用(イベント)からノードメモリを継続的に更新し、これらのメモリを下流の予測に活用することで、動的グラフ学習タスクに強いパフォーマンスを示す。 現代のアプリケーションでグラフが急速に成長するにつれて、トレーニングではイベントの処理が増加し、各イベントは後続のイベントで使用されるノードメモリを更新し、並列実行を制限し、追加のコンピューティングリソースのメリットを制限する依存関係を作成することができる。 これらのコストは、上流の質問を動機付けている。 すべてのイベントとそれらが導入する依存関係は、学習に必要か? 本稿では,2つの時間的事象,すなわち予測対象と過去の事象を入力として検討する。 安定なノードメモリを含むターゲットは予測損失が低い傾向にあり,また,安定なメモリに関連付けられた履歴イベントをフィルタリングすることで,複数の評価設定で同様のトレーニング損失トラジェクトリを保持することができる。 これらの観測は、ノード記憶の変化を通じて入力冗長性を識別する機会を示唆している。 この機会を生かして,TGNNトレーニングのための冗長性を考慮した入出力フィルタリングフレームワークRAFTを提案する。 RAFTはトレーニング中のメモリ変更を追跡し、2つのフィルタをガイドする: root-eventフィルタはトレーニング前に選択した予測ターゲットを削除し、 support-event filterはサンプリング時に選択された履歴コンテキストを除外する。 下流の準備と処理の前に入力をフィルタリングすることで、トリガする作業が削減される。 3つのTGNNモデルと5つのデータセットで、RAFTはトレーニング入力を平均35.23%、最大97.11%削減し、記録されたトレーニング時間をモデル精度に無視できない変更で最大52.56\%削減する。

関連論文リスト

• REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
  我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。 REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。 このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
  論文  参考訳（メタデータ） (2026-08-31T11:34:19Z)
• AL-GNN: Privacy-Preserving and Replay-Free Continual Graph Learning via Analytic Learning [8.911446190681882]
  連続グラフ学習(CGL)は、グラフニューラルネットワークが、以前取得した知識を忘れずに、グラフ構造化データのストリームから漸進的に学習できるようにすることを目的としている。 本稿では,バッファのバックプロパゲーションや再生を不要とする連続グラフ学習のための新しいフレームワークであるAL GNNを提案する。
  論文  参考訳（メタデータ） (2025-12-20T09:55:36Z)
• Never Skip a Batch: Continuous Training of Temporal GNNs via Adaptive Pseudo-Supervision [41.50778579564618]
  History-Averaged Labels (HAL) は、履歴ラベル分布から派生した擬似ターゲットによるトレーニングバッチを動的に強化する手法である。 HALはTGNv2のトレーニングを最大15倍加速し、競争性能を維持している。 この研究は、時間グラフ学習における空間性を示す効率的な、軽量で、アーキテクチャに依存しない、理論的に動機づけられたソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-18T19:30:33Z)
• Graph Spring Neural ODEs for Link Sign Prediction [49.71046810937725]
  本稿では,春の力によってモデル化されたグラフスプリングネットワーク(GSN)と呼ばれる新しいメッセージパッシング層アーキテクチャを提案する。 提案手法は,大規模グラフ上で最大28,000のノード生成時間高速化係数を持つ最先端手法に近い精度を実現する。
  論文  参考訳（メタデータ） (2024-12-17T13:50:20Z)
• TCGPN: Temporal-Correlation Graph Pre-trained Network for Stock Forecasting [1.864621482724548]
  本稿では,これらの制約に対処するため,TCGPN(Temporal-Correlation Graph Pre-trained Network)と呼ばれる新しい手法を提案する。 TCGPNはテンポラル相関融合エンコーダを用いて,時間的および相関的な事前学習タスクを慎重に設計した混合表現と事前学習を行う。 CSI300とCSI500は、最小限の周期性を示す。
  論文  参考訳（メタデータ） (2024-07-26T05:27:26Z)
• Better with Less: A Data-Active Perspective on Pre-Training Graph Neural Networks [39.71761440499148]
  グラフニューラルネットワーク(GNN)の事前トレーニングは、ラベルのないデータで下流タスクの転送可能な知識を学ぶことを目的としている。 より少ないが慎重に選択されたデータはGNNモデルに入力される。 実験の結果,提案手法により,より少ないトレーニングデータとより優れたダウンストリーム性能を有する効率的な事前学習モデルが得られることがわかった。
  論文  参考訳（メタデータ） (2023-11-02T07:09:59Z)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)

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。