Gaussian Embedding of Temporal Networks

要約

連続時間時間グラフのノードを低次元の潜在空間で表現することは、予測から可視化まで幅広い用途に利用できます。
しかし、タイムスタンプ付きのインタラクションを含む連続時間リレーショナル データを分析すると、その疎性により特有の課題が生じます。
ノードを潜在空間内の軌跡として単に埋め込むだけでは、この疎性が見落とされ、潜在位置周辺の不確実性を定量化する必要性が強調されます。
この論文では、TGNE (\textbf{T}emporal \textbf{G}aussian \textbf{N}etwork \textbf{E}mbedding) を提案します。これは、ネットワークの統計分析という 2 つの異なる文献の橋渡しをする革新的な手法です。
潜在空間モデル (LSM) \cite {Hoff2002} と時間グラフ機械学習を介して。
TGNE はノードを潜在空間内のガウス分布の区分的線形軌跡として埋め込み、軌跡の周りの構造情報と不確実性の両方をキャプチャします。
元のグラフの再構築と不確実性のモデル化における TGNE の有効性を評価します。
この結果は、観察されたエッジに基づいて未観察のエッジ相互作用を再構築するための一般的なベースラインと比較して、TGNE が競合する時間変化する埋め込み位置を生成することを示しています。
さらに、不確実性の推定値はネットワーク内の時間変化する度数分布と一致しており、グラフの時間的ダイナミクスに対する貴重な洞察を提供します。
再現性を高めるために、\url{https://github.com/aida-ugent/tgne} で TGNE のオープンソース実装を提供しています。

要約(オリジナル)

Representing the nodes of continuous-time temporal graphs in a low-dimensional latent space has wide-ranging applications, from prediction to visualization. Yet, analyzing continuous-time relational data with timestamped interactions introduces unique challenges due to its sparsity. Merely embedding nodes as trajectories in the latent space overlooks this sparsity, emphasizing the need to quantify uncertainty around the latent positions. In this paper, we propose TGNE (\textbf{T}emporal \textbf{G}aussian \textbf{N}etwork \textbf{E}mbedding), an innovative method that bridges two distinct strands of literature: the statistical analysis of networks via Latent Space Models (LSM)\cite{Hoff2002} and temporal graph machine learning. TGNE embeds nodes as piece-wise linear trajectories of Gaussian distributions in the latent space, capturing both structural information and uncertainty around the trajectories. We evaluate TGNE’s effectiveness in reconstructing the original graph and modelling uncertainty. The results demonstrate that TGNE generates competitive time-varying embedding locations compared to common baselines for reconstructing unobserved edge interactions based on observed edges. Furthermore, the uncertainty estimates align with the time-varying degree distribution in the network, providing valuable insights into the temporal dynamics of the graph. To facilitate reproducibility, we provide an open-source implementation of TGNE at \url{https://github.com/aida-ugent/tgne}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google