FTM: A Frame-level Timeline Modeling Method for Temporal Graph Representation Learning

要約

グラフ分析タスクには、グラフ構造データの表現を学習することが不可欠です。
静的グラフは目覚ましい進歩を遂げているが、時間グラフの研究はまだ初期段階にある。
時間グラフ表現の学習アプローチのボトルネックは、グラフ属性が明示的に情報を共有および収集することに基づく近傍集約戦略です。
既存の近傍集約戦略は、一時的なグラフ属性の短期的な特徴または長期的な特徴のいずれかを捉えることができず、モデルのパフォーマンスが不十分になり、表現学習方法のロバスト性とドメインの一般性が低下することさえあります。
この問題に対処するために、フレームレベルのタイムライン モデリング (FTM) メソッドを提案します。これは、短期および長期の両方の機能をキャプチャするのに役立ち、時間グラフでより有益な表現を学習します。
特に、短期的な機能を維持するための新しいリンクベースのフレーミング手法を提示し、タイムラインアグリゲーターモジュールを組み込んで、グラフの進化の本質的なダイナミクスを長期的な機能としてキャプチャします。
私たちの方法は、ほとんどの一時的な GNN で簡単に組み立てることができます。
一般的なデータセットでの広範な実験により、私たちの方法がダウンストリーム タスクのバックボーン メソッドの機能、堅牢性、およびドメインの一般性に大きな改善をもたらすことが示されています。
コードは https://github.com/yeeeqichen/FTM にあります。

要約(オリジナル)

Learning representations for graph-structured data is essential for graph analytical tasks. While remarkable progress has been made on static graphs, researches on temporal graphs are still in its beginning stage. The bottleneck of the temporal graph representation learning approach is the neighborhood aggregation strategy, based on which graph attributes share and gather information explicitly. Existing neighborhood aggregation strategies fail to capture either the short-term features or the long-term features of temporal graph attributes, leading to unsatisfactory model performance and even poor robustness and domain generality of the representation learning method. To address this problem, we propose a Frame-level Timeline Modeling (FTM) method that helps to capture both short-term and long-term features and thus learns more informative representations on temporal graphs. In particular, we present a novel link-based framing technique to preserve the short-term features and then incorporate a timeline aggregator module to capture the intrinsic dynamics of graph evolution as long-term features. Our method can be easily assembled with most temporal GNNs. Extensive experiments on common datasets show that our method brings great improvements to the capability, robustness, and domain generality of backbone methods in downstream tasks. Our code can be found at https://github.com/yeeeqichen/FTM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google