Continuous-time Graph Representation with Sequential Survival Process

要約

過去 20 年間にわたって、グラフの表現学習手法は大幅に成長し、生物情報学、化学、社会科学などのさまざまな分野で数多くの応用が行われてきました。
ただし、現在の動的ネットワークのアプローチは、離散時間ネットワークに焦点を当てているか、連続時間ネットワーク内のリンクを瞬間的なイベントとして扱います。
したがって、これらのアプローチでは、特定の期間にわたって時間の経過とともに継続的に出現および消滅するリンクの存続または不在を捕捉するには限界があります。
これに対処するために、リンクの継続期間と時間の経過に伴うリンクの不在をモデル化する生存関数に依存する新しい確率的プロセスを提案します。
これにより、断続的なエッジ永続ネットワークを明示的に考慮した一般的な新しい尤度仕様、つまり GraSSP: 逐次生存プロセスを使用したグラフ表現が形成されます。
我々は、開発したフレームワークを、潜在空間におけるノードの一連の区分的線形運動の観点からネットワークダイナミクスを特徴付ける最近の連続時間動的潜在距離モデルに適用します。
リンクの予測やネットワークの完成など、さまざまな下流タスクで開発されたフレームワークを定量的に評価し、リンクの永続性と不在を考慮した開発されたモデリングフレームワークが潜在空間内のノードの固有の軌跡をうまく追跡し、進化するネットワークの根本的な特性を捕捉していることを実証します。
構造。

要約(オリジナル)

Over the past two decades, there has been a tremendous increase in the growth of representation learning methods for graphs, with numerous applications across various fields, including bioinformatics, chemistry, and the social sciences. However, current dynamic network approaches focus on discrete-time networks or treat links in continuous-time networks as instantaneous events. Therefore, these approaches have limitations in capturing the persistence or absence of links that continuously emerge and disappear over time for particular durations. To address this, we propose a novel stochastic process relying on survival functions to model the durations of links and their absences over time. This forms a generic new likelihood specification explicitly accounting for intermittent edge-persistent networks, namely GraSSP: Graph Representation with Sequential Survival Process. We apply the developed framework to a recent continuous time dynamic latent distance model characterizing network dynamics in terms of a sequence of piecewise linear movements of nodes in latent space. We quantitatively assess the developed framework in various downstream tasks, such as link prediction and network completion, demonstrating that the developed modeling framework accounting for link persistence and absence well tracks the intrinsic trajectories of nodes in a latent space and captures the underlying characteristics of evolving network structure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google