Analysis of different temporal graph neural network configurations on dynamic graphs

要約

【タイトル】時間的な変化に対応したグラフニューラルネットワークの構成比較による動的グラフ分析

【要約】

– グラフニューラルネットワーク（GNN）を使った動的グラフの解析に関心が増している。
– 現在でも、異なる時間的なグラフニューラルネットワーク（TGN）の構成が予測の精度にどのような影響を与えるかについては理解が不十分である。
– Pytorch Geometric Temporalでは、テスト用のいくつかのデータセットが用意されているが、これらのデータセットが異なるTGNモデルで分析され、最新の性能が確認されることはほとんどない。
– このプロジェクトでは、空間的・時間的な依存構造を学習するための定性的な分析を実施し、選択されたTGNがノードおよびエッジ予測タスクにどの程度有効かについての比較的な研究を行う。
– さらに、最高性能を発揮するTGNの異なるバリアントに関する広範な脱落実験が実施されて、性能に寄与する主要な要因を特定する。
– これらの目標を達成することで、TGNの設計や最適化に関する貴重な洞察が得られ、疾患の広がり予測、ソーシャルネットワーク分析、交通予測などの領域に適用することができる。
– また、スナップショットベースのデータをイベントベースのデータに変換し、ノード回帰タスクを実行するために、TGNモデルをSOTAモデルとして利用する試みが行われる。

要約(オリジナル)

In recent years, there has been an increasing interest in the use of graph neural networks (GNNs) for analyzing dynamic graphs, which are graphs that evolve over time. However, there is still a lack of understanding of how different temporal graph neural network (TGNs) configurations can impact the accuracy of predictions on dynamic graphs. Moreover, the hunt for benchmark datasets for these TGNs models is still ongoing. Up until recently, Pytorch Geometric Temporal came up with a few benchmark datasets but most of these datasets have not been analyzed with different TGN models to establish the state-of-the-art. Therefore, this project aims to address this gap in the literature by performing a qualitative analysis of spatial-temporal dependence structure learning on dynamic graphs, as well as a comparative study of the effectiveness of selected TGNs on node and edge prediction tasks. Additionally, an extensive ablation study will be conducted on different variants of the best-performing TGN to identify the key factors contributing to its performance. By achieving these objectives, this project will provide valuable insights into the design and optimization of TGNs for dynamic graph analysis, with potential applications in areas such as disease spread prediction, social network analysis, traffic prediction, and more. Moreover, an attempt is made to convert snapshot-based data to the event-based dataset and make it compatible with the SOTA model namely TGN to perform node regression task.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI