論文の概要: A Common Language for Dynamic Graphs: Interaction Tokenization Enables Foundation Models

• arxiv url: http://arxiv.org/abs/2611.03246v1
• Date: Mon, 02 Nov 2026 14:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:32:56.355304
• Title: A Common Language for Dynamic Graphs: Interaction Tokenization Enables Foundation Models
• Title（参考訳）: 動的グラフのための共通言語:インタラクショントークン化による基礎モデルの実現
• Abstract要約: 動的グラフは、オンラインコミュニケーション、ユーザエンゲージメント、レコメンデーションを含む、Webシステムの進化するインタラクションをキャプチャする。 グラフ基盤モデルは、ネットワーク全体の予測機能を再利用することを目的としているが、この機能を動的グラフに拡張することは、2つの課題に直面している。 本稿では,多種多様な相互作用プロセスにおける学習と組み合わせることで,動的グラフ基盤モデリングの基礎となる共通相互作用言語について述べる。
• 参考スコア（独自算出の注目度）: 14.135185253275791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic graphs capture evolving interactions in Web systems, including online communication, user engagement, and recommendation. Graph foundation models aim to reuse predictive capabilities across networks, but extending this capability to dynamic graphs faces two challenges. First, node identities are graph-specific, and similar interaction patterns can appear at different temporal and activity scales, making histories difficult to represent consistently across networks. Second, the predictive roles of historical patterns vary across interaction dynamics, limiting transfer from a narrow range of training processes. In this paper, we show that a common interaction language, combined with learning across diverse interaction processes, offers a basis for dynamic graph foundation modeling. We propose CL-DGFM, a Common Language Dynamic Graph Foundation Model for temporal link prediction. Its Dynamic Interaction Tokenizer encodes interaction memory, historical connectivity, and ordered destination transitions into calibrated tabular inputs, making dynamic histories accessible to existing predictors without an additional trainable graph encoder. Its Dynamic Interaction Prior trains a pretrained tabular foundation predictor across diverse synthetic dynamics. Labeled historical context guides prediction, with a Contextual Value Adapter modulating attention values. The model transfers to real graphs without target-graph parameter updates. Experiments on TGB and TGB-Seq demonstrate competitive performance. Further comparisons show that the common language supports basic machine learning and neural models, and enables direct use of frozen tabular foundation models on dynamic graphs.
• Abstract（参考訳）: 動的グラフは、オンラインコミュニケーション、ユーザエンゲージメント、レコメンデーションを含む、Webシステムの進化するインタラクションをキャプチャする。 グラフ基盤モデルは、ネットワーク全体の予測機能を再利用することを目的としているが、この機能を動的グラフに拡張することは、2つの課題に直面している。 まず、ノードのアイデンティティはグラフ固有のものであり、同様の相互作用パターンは時間的・活動的な尺度によって異なる。 第二に、歴史的パターンの予測的役割は相互作用のダイナミクスによって異なり、限られた範囲のトレーニングプロセスからの移行を制限する。 本稿では,多種多様な相互作用プロセスにおける学習と組み合わせることで,動的グラフ基盤モデリングの基盤となる共通相互作用言語について述べる。 時間リンク予測のための共通言語動的グラフ基盤モデルであるCL-DGFMを提案する。 そのDynamic Interaction Tokenizerは、インタラクションメモリ、履歴接続、順序付けられた宛先遷移をキャリブレーションされた表の入力にエンコードし、トレーニング可能なグラフエンコーダを使わずに既存の予測子に動的履歴をアクセスできるようにする。 その動的相互作用 事前訓練された表層基礎予測器を様々な合成力学で訓練する。 ラベル付き履歴コンテキストは、注意値を調整するコンテキスト値アダプタで予測をガイドする。 モデルは、ターゲットグラフパラメータを更新せずに、実際のグラフに転送する。 TGBとTGB-Seqの実験は競争力のある性能を示している。 さらに比較すると、共通言語は基本的な機械学習とニューラルモデルをサポートし、動的グラフ上で凍結した表層基礎モデルの直接使用を可能にする。

関連論文リスト

• 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)
• 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)
• 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)
• GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph [53.70520466556453]
  階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。 提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。 さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
  論文  参考訳（メタデータ） (2021-05-06T12:20:41Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。