Co-Neighbor Encoding Schema: A Light-cost Structure Encoding Method for Dynamic Link Prediction

要約

構造エンコーディングは、グラフ内のリンクを区別するための重要な機能であることが証明されています。
ただし、時間グラフの構造エンコードはグラフが進化するにつれて変化し続けるため、そのような特徴を繰り返し計算すると、高次のサブグラフの構築に時間がかかる可能性があります。
私たちは、この問題に対処するために、Co-Neighbor Encoding Schema (CNES) を開発しました。
リンクによってフィーチャを再計算する代わりに、CNES は冗長な計算を避けるために情報をメモリに保存します。
さらに、ノードの隠れ状態を保存する既存のメモリベースの動的グラフ学習方法とは異なり、ハッシュテーブルベースのメモリを導入して隣接行列を圧縮し、効率的な構造特徴の構築とベクトル計算を並行して更新します。
さらに、CNES は、異なる構造情報を持つ近隣の長期および短期の構造エンコーディングを生成するための時間多様メモリを導入しています。
動的グラフ学習フレームワークである共近隣符号化ネットワーク (CNE-N) は、前述の技術を使用して提案されています。
13 の公開データセットに対する広範な実験により、提案された方法の有効性と効率性が検証されました。

要約(オリジナル)

Structure encoding has proven to be the key feature to distinguishing links in a graph. However, Structure encoding in the temporal graph keeps changing as the graph evolves, repeatedly computing such features can be time-consuming due to the high-order subgraph construction. We develop the Co-Neighbor Encoding Schema (CNES) to address this issue. Instead of recomputing the feature by the link, CNES stores information in the memory to avoid redundant calculations. Besides, unlike the existing memory-based dynamic graph learning method that stores node hidden states, we introduce a hashtable-based memory to compress the adjacency matrix for efficient structure feature construction and updating with vector computation in parallel. Furthermore, CNES introduces a Temporal-Diverse Memory to generate long-term and short-term structure encoding for neighbors with different structural information. A dynamic graph learning framework, Co-Neighbor Encoding Network (CNE-N), is proposed using the aforementioned techniques. Extensive experiments on thirteen public datasets verify the effectiveness and efficiency of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google