論文の概要: Edge-Gradient Augmentation under Reinforcement Learning for Temporal Graph
- arxiv url: http://arxiv.org/abs/2611.16678v1
- Date: Thu, 12 Nov 2026 11:53:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.461701
- Title: Edge-Gradient Augmentation under Reinforcement Learning for Temporal Graph
- Title(参考訳): テンポラルグラフの強化学習におけるエッジグラディエント強化
- Abstract要約: EG-RLは、専用のノードとリンクエンコーディングモジュールを通じてエッジ段階のイベント(エッジ誕生と死)を明示的にエンコードするフレームワークである。
ポリシー駆動の強化学習メカニズムを使用して、最も不適切なエッジスナップショットを動的に選択し、拡張する。
複数の動的グラフデータセットに対する実験は、受信特性曲線と平均精度の操作領域において、かなりの利得を示す。
- 参考スコア(独自算出の注目度): 12.353365187023185
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal link prediction is critical for understand- ing dynamic interactions in evolving networks, informing appli- cations ranging from social network analysis to recommendation systems. Existing methods typically rely on raw temporal graph data, often neglecting explicit edge-change information that can significantly improve predictive performance. To address this gap, we propose edge-gradient reinforced learning (EG-RL), a framework that explicitly encodes edge-gradient events (edge births and deaths) through dedicated node and link encoding modules. EG-RL uses a policy-driven reinforcement-learning mechanism to dynamically select and augment the most infor- mative edge snapshots, guided by critic-based feedback to opti- mize prediction accuracy. The model comprises distinct modules for node encoding, link encoding, token mixing, and channel mixing, integrated through global pooling and followed by a two-layer multilayer perceptron classifier. Extensive experiments on multiple dynamic graph datasets demonstrate substantial gains in area under the receiver operating characteristic curve and average precision. Ablation studies further confirm the necessity of adaptive edge-gradient augmentation and validate the effectiveness of the proposed encoding and reinforcement- learning mechanisms.
- Abstract(参考訳): 時間リンク予測は、ソーシャルネットワーク分析からレコメンデーションシステムに至るまで、進化するネットワークにおける動的相互作用を理解するために重要である。
既存の手法は通常、生の時間グラフデータに依存しており、しばしば予測性能を大幅に改善できる明示的なエッジ変更情報を無視する。
このギャップに対処するために,エッジ勾配強化学習(EG-RL)を提案する。これは,専用ノードとリンク符号化モジュールを通じて,エッジ勾配イベント(エッジ誕生と死)を明示的に符号化するフレームワークである。
EG-RLはポリシー駆動の強化学習機構を使用して、予測精度を最適化するために、批判に基づくフィードバックによってガイドされる、最も不適切なエッジスナップショットを動的に選択し、拡張する。
このモデルは、ノードエンコーディング、リンクエンコーディング、トークンミキシング、チャネルミキシングのための異なるモジュールで構成され、グローバルプールを通して統合され、2層多層パーセプトロン分類器が続く。
複数の動的グラフデータセットに対する大規模な実験は、受信特性曲線と平均精度を演算する領域において顕著な利得を示す。
アブレーション研究は、適応的エッジ勾配増強の必要性をさらに確認し、提案手法の有効性と強化学習機構の有効性を検証した。
関連論文リスト
- Transfer Learning on Edge Connecting Probability Estimation under Graphon Model [7.805468525082696]
本稿では,グラフ間の構造パターンの整合と伝達を行うため,近傍の平滑化とGromov-Wassersteinの最適輸送を統合した伝達学習フレームワークを提案する。
GTRANSには適応的脱バイアス機構があり、残留な平滑化を通じて標的特異的な偏差を識別し修正する。
これらの改善は、グラフ分類タスクやリンク予測タスクなど、下流アプリケーションの性能向上に直接寄与する。
論文 参考訳(メタデータ) (2025-10-07T02:37:12Z) - Self-Supervised Graph Learning via Spectral Bootstrapping and Laplacian-Based Augmentations [1.0377683220196872]
本稿では,新しいグラフ学習フレームワークLaplaceGNNを紹介する。
本手法は学習過程にラプラシアンに基づく信号を統合する。
LaplaceGNNは最先端の自己教師付きグラフ法に比べて優れた性能を発揮する。
論文 参考訳(メタデータ) (2025-06-25T12:23:23Z) - Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation [1.0128808054306186]
マトリックス補完は推薦システムにおいて広く採用されているフレームワークである。
コントラスト学習(MCCL)を用いた行列補完法を提案する。
提案手法は,予測スコアの数値精度を向上するだけでなく,ランキング指標の最大36%を向上する上で,優れたランキングを生成する。
論文 参考訳(メタデータ) (2025-06-12T12:47:35Z) - Depth-Adaptive Graph Neural Networks via Learnable Bakry-'Emery Curvature [7.2716257100195385]
グラフニューラルネットワーク(GNN)は、グラフベースのタスクに対して強力な表現学習能力を示す。
GNNの最近の進歩は、曲率などの幾何学的性質を活用して表現能力を向上している。
本稿では,情報伝達における構造的側面とタスク駆動的側面の両方を捉えたBakry-'Emery曲率の統合を提案する。
論文 参考訳(メタデータ) (2025-03-03T00:48:41Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2024-09-26T16:22:08Z) - GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。
我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。
学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文 参考訳(メタデータ) (2022-12-07T10:19:39Z) - Semantic Communication Enabling Robust Edge Intelligence for
Time-Critical IoT Applications [87.05763097471487]
本稿では、時間クリティカルなIoTアプリケーションのためのセマンティック通信を用いて、堅牢なエッジインテリジェンスを設計することを目的とする。
本稿では,画像DCT係数が推定精度に与える影響を解析し,オフロードのためのチャネル非依存の有効性符号化を提案する。
論文 参考訳(メタデータ) (2022-11-24T20:13:17Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳(メタデータ) (2022-04-13T15:54:35Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳(メタデータ) (2022-03-29T21:00:39Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳(メタデータ) (2021-03-22T20:36:34Z) - Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction [11.927046591097623]
リンク予測は、浅層グラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づく現在の最先端モデルを用いて、比較的未研究のグラフ学習タスクである。
本論文では,浅いGAEと変動GAEしか使用できないリンク予測の現在の手法の限界に対処することに焦点をあてる。
提案手法はGAEのアーキテクチャに標準オートエンコーダ(AE)を革新的に組み込んでおり、標準AEは隣接情報とノード機能をシームレスに統合することで必要不可欠な低次元表現を学習する。
論文 参考訳(メタデータ) (2021-03-21T14:43:10Z)
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。