Marked Neural Spatio-Temporal Point Process Involving a Dynamic Graph Neural Network

要約

最近、時間点プロセス (TPP) は、グラフ データのダイナミクスを学習する上でますます興味深いものになっています。
その理由は、数学、生物学、社会科学、物理学からコンピューターサイエンスに至るまで、多くの科学分野のデータは自然に関連しており、本質的に動的であるため、動的グラフデータに関する学習の関連性が高まっているためです。
さらに、TPP は、イベント ストリームの意味のある特徴付けと、将来のイベントの予測メカニズムを提供します。
したがって、（半）パラメータ化されたニューラル TPP が導入され、その特性を（部分的に）学習できるため、より複雑な現象の表現が可能になります。
ただし、TPP を使用した動的グラフのモデリングに関する研究は比較的新しく、ノード属性の変更やエッジの進化に関するモデルはまだわずかしか提案されていません。
完全に動的なグラフ ストリーム、つまり構造 (ノード/エッジの追加/削除) およびノー​​ド/エッジ属性が変化する可能性のあるグラフでの学習を可能にするために、Marked Neural Spatio-Temporal Point Process (MNSTPP) を提案します。
ダイナミック グラフ ニューラル ネットワークを活用して、属性と空間データを処理してグラフ ストリーム内のイベントをモデル化し、予測するマーク付き TPP を学習します。

要約(オリジナル)

Temporal Point Processes (TPPs) have recently become increasingly interesting for learning dynamics in graph data. A reason for this is that learning on dynamic graph data is becoming more relevant, since data from many scientific fields, ranging from mathematics, biology, social sciences, and physics to computer science, is naturally related and inherently dynamic. In addition, TPPs provide a meaningful characterization of event streams and a prediction mechanism for future events. Therefore, (semi-)parameterized Neural TPPs have been introduced whose characterization can be (partially) learned and, thus, enable the representation of more complex phenomena. However, the research on modeling dynamic graphs with TPPs is relatively young, and only a few models for node attribute changes or evolving edges have been proposed yet. To allow for learning on fully dynamic graph streams, i.e., graphs that can change in their structure (addition/deletion of nodes/edge) and in their node/edge attributes, we propose a Marked Neural Spatio-Temporal Point Process (MNSTPP). It leverages a Dynamic Graph Neural Network to learn a Marked TPP that handles attributes and spatial data to model and predict any event in a graph stream.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google