Deep-Graph-Sprints: Accelerated Representation Learning in Continuous-Time Dynamic Graphs

要約

連続時間ダイナミック グラフ (CTDG) は、相互接続され進化するシステムをモデル化するために不可欠です。
これらのグラフから知識を抽出する従来の方法は、多くの場合、特徴エンジニアリングまたは深層学習に依存しています。
特徴量エンジニアリングは、特徴量の作成が手作業で時間のかかる性質によって制限される一方、ディープラーニングのアプローチは推論の待ち時間が長いため、リアルタイム アプリケーションには実用的ではありません。
このペーパーでは、低遅延推論要件を持つ CTDG での効率的な表現学習のために設計された新しいディープ ラーニング アーキテクチャである Deep-Graph-Sprints (DGS) を紹介します。
最先端の特徴エンジニアリングに対して DGS をベンチマークし、5 つの多様なデータセットを使用してニューラル ネットワーク手法をグラフ化します。
結果は、DGS が、テストしたベンチマークで他の深層学習アプローチと比較して推論速度を最大 12 倍向上させながら、競争力のあるパフォーマンスを達成していることを示しています。
私たちの手法は、深層表現学習と CTDG の低遅延アプリケーション要件の間のギャップを効果的に橋渡しします。

要約(オリジナル)

Continuous-time dynamic graphs (CTDGs) are essential for modeling interconnected, evolving systems. Traditional methods for extracting knowledge from these graphs often depend on feature engineering or deep learning. Feature engineering is limited by the manual and time-intensive nature of crafting features, while deep learning approaches suffer from high inference latency, making them impractical for real-time applications. This paper introduces Deep-Graph-Sprints (DGS), a novel deep learning architecture designed for efficient representation learning on CTDGs with low-latency inference requirements. We benchmark DGS against state-of-the-art feature engineering and graph neural network methods using five diverse datasets. The results indicate that DGS achieves competitive performance while improving inference speed up to 12x compared to other deep learning approaches on our tested benchmarks. Our method effectively bridges the gap between deep representation learning and low-latency application requirements for CTDGs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google