[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Cuando la velocidad se une a la precisión: un modelo gráfico eficiente y eficaz para la predicción de enlaces temporales

Created by
  • Haebom

Autor

Haoyang Li, Yuming Xu, Yiming Li, Hanmo Liu, Darian Li, Chen Jason Zhang, Lei Chen, Qing Li

Describir

En este artículo, proponemos EAGLE, un marco ligero para la predicción de enlaces temporales en grafos dinámicos. Si bien las Redes Neuronales de Grafos Temporales (T-GNN) existentes presentan un alto coste computacional debido a sus estructuras complejas, EAGLE resuelve este problema integrando información reciente de vecinos a corto plazo y patrones estructurales globales a largo plazo. El módulo con reconocimiento temporal agrega información reciente de vecinos de los nodos, y el módulo con reconocimiento estructural captura la influencia de los nodos globalmente importantes mediante el uso de PageRank Personalizado temporal. Utiliza un mecanismo de ponderación adaptativo que ajusta dinámicamente las contribuciones de ambos módulos según las características de los datos y mejora significativamente la eficiencia al eliminar el paso complejo de mensajes en varias etapas o los mecanismos que consumen mucha memoria. Los resultados experimentales muestran que EAGLE supera a las T-GNN de vanguardia existentes en términos de efectividad y eficiencia, y es más de 50 veces más rápido que las T-GNN basadas en transformadores.

Takeaways, Limitations

•
Takeaways:
◦
Presentación de un marco ligero que resuelve eficazmente el problema de coste computacional de las T-GNN existentes.
◦
Mejore la precisión de los pronósticos integrando eficazmente patrones a corto y largo plazo.
◦
Consiga un rendimiento óptimo adaptado a las características de los datos a través de un mecanismo de ponderación adaptativo.
◦
Mejora de velocidad de más de 50 veces en comparación con el T-GNN de última generación existente.
•
Limitations:
◦
El rendimiento del EAGLE propuesto puede estar sesgado hacia ciertos tipos de gráficos dinámicos.
◦
Es necesario verificar el rendimiento de generalización para gráficos de distintos tamaños y características.
◦
Se necesita más análisis sobre la complejidad del cálculo del PageRank personalizado temporal.
◦
Se necesita más investigación sobre su aplicabilidad a gráficos extremadamente grandes.
👍
Made with Slashpage