Core Concepts
時間的情報と構造的情報の両方を抽出し、それらの条件付き強度の差を狭めることで、より情報豊かなノード表現を学習する。
Abstract
本論文は、時間グラフ学習のための自己教師あり手法S2Tを提案している。S2Tは、時間的情報と構造的情報の両方を抽出し、それらの条件付き強度の差を狭めることで、より情報豊かなノード表現を学習する。
具体的には以下のような特徴がある:
時間的情報はHawkesプロセスを用いてモデル化し、一次の時間情報を捉える。一方、構造的情報は、局所的にはGNNを用いて高次の近傍情報を集約し、グローバルには全ノードに基づいた表現を生成することで、長尾ノードの情報を強化する。
時間的強度と構造的強度の差を最小化するアラインメントロスを導入することで、両者の情報を効果的に組み合わせる。
複数のデータセットで実験を行い、提案手法S2Tが最大10.13%の性能向上を達成することを示した。また、各モジュールの効果を確認するアブレーション実験や、ハイパーパラメータ感度分析も行っている。
Stats
時間的強度と構造的強度の差は0.49%から7.40%の範囲で改善された。
長尾ノードの割合が多いデータセットほど、グローバル表現による性能向上が大きかった。
Quotes
"時間的情報と構造的情報の両方を抽出し、それらの条件付き強度の差を狭めることで、より情報豊かなノード表現を学習する。"
"グローバル表現を生成することで、長尾ノードの情報を強化する。"