HGWaveNet: A Hyperbolic Graph Neural Network for Temporal Link Prediction

要約

タイトル：HGWaveNet：時間的リンク予測のための超ボリュームグラフニューラルネットワーク

要約：

– 時間的リンク予測は、動的グラフ内のノードのペアの間に将来のエッジを予測することを目的としており、様々なアプリケーションにとって重要です。
– しかし、既存の方法は、実世界のグラフのべき乗分布と矛盾し、ノード間の階層的な接続を効果的に表現できない一様なユークリッド空間に基づいている。
– 特殊なデータ特性に関して、超ボリューム幾何学は、その指数的な拡張特性により理想的な代替手段を提供します。
– この論文では、時間的リンク予測のためのデータ分布と超ボリューム空間の適合性を完全に活用する新しい超ボリュームグラフニューラルネットワーク「HGWaveNet」を提案しています。
– 具体的には、2つのキーモジュールを設計して、空間的なトポロジー構造と時間的進化情報を別々に学習します。
– 一方で、超ボリューム拡散グラフ畳み込み（HDGC）モジュールは、より広範囲の隣人から情報を効果的に集約します。
– 他方で、超ボリューム拡散因果畳み込み（HDCC）モジュールによって、過去の状態の因果関係の内部順序が捉えられます。
– 全体のモデルは、データフロー全体の階層的な構造情報を保持するために、超ボリューム空間に基づいて構築されています。
– HGWaveNetの優越性を証明するために、6つの実世界のグラフデータセットでの広範な実験が行われ、結果は、時間的リンク予測においてSOTA方法に対してAUCで最大6.67％の相対的な改善を示しています。

要約(オリジナル)

Temporal link prediction, aiming to predict future edges between paired nodes in a dynamic graph, is of vital importance in diverse applications. However, existing methods are mainly built upon uniform Euclidean space, which has been found to be conflict with the power-law distributions of real-world graphs and unable to represent the hierarchical connections between nodes effectively. With respect to the special data characteristic, hyperbolic geometry offers an ideal alternative due to its exponential expansion property. In this paper, we propose HGWaveNet, a novel hyperbolic graph neural network that fully exploits the fitness between hyperbolic spaces and data distributions for temporal link prediction. Specifically, we design two key modules to learn the spatial topological structures and temporal evolutionary information separately. On the one hand, a hyperbolic diffusion graph convolution (HDGC) module effectively aggregates information from a wider range of neighbors. On the other hand, the internal order of causal correlation between historical states is captured by hyperbolic dilated causal convolution (HDCC) modules. The whole model is built upon the hyperbolic spaces to preserve the hierarchical structural information in the entire data flow. To prove the superiority of HGWaveNet, extensive experiments are conducted on six real-world graph datasets and the results show a relative improvement by up to 6.67% on AUC for temporal link prediction over SOTA methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI