Deep learning for dynamic graphs: models and benchmarks

要約

ディープ グラフ ネットワーク (DGN) に関する研究の最近の進歩により、グラフの学習領域が成熟しました。
この研究分野は成長しているにもかかわらず、まだ解決されていない重要な課題がまだあります。
具体的には、時間の経過とともに進化する、相互接続されたエンティティからなる現実世界のシステム上の予測タスクに DGN を適したものにするという要望があります。
動的グラフの分野での研究を促進することを目的として、最初に、時間情報と空間情報の両方を学習することにおける最近の利点を調査し、動的グラフの表現学習の分野における現在の最先端技術の包括的な概要を提供します。
グラフ。
次に、すべてのメソッドに対する厳密なモデル選択と評価を活用して、ノードおよびエッジレベルのタスクに関して提案されている最も一般的なアプローチ間の公平なパフォーマンス比較を実行し、新しいアーキテクチャとアプローチを評価するための健全なベースラインを確立します。

要約(オリジナル)

Recent progress in research on Deep Graph Networks (DGNs) has led to a maturation of the domain of learning on graphs. Despite the growth of this research field, there are still important challenges that are yet unsolved. Specifically, there is an urge of making DGNs suitable for predictive tasks on realworld systems of interconnected entities, which evolve over time. With the aim of fostering research in the domain of dynamic graphs, at first, we survey recent advantages in learning both temporal and spatial information, providing a comprehensive overview of the current state-of-the-art in the domain of representation learning for dynamic graphs. Secondly, we conduct a fair performance comparison among the most popular proposed approaches on node and edge-level tasks, leveraging rigorous model selection and assessment for all the methods, thus establishing a sound baseline for evaluating new architectures and approaches

arxiv情報

提供元, 利用サービス

arxiv.jp, Google