dyngraph2vec: ネットワークの動態を捉えるための動的グラフ表現学習

グラフ表現の学習は、グラフの様々な特性をベクトル空間に捉えることを目的とした基本的なタスクである。最近の手法では、静的なネットワークのこのような表現を学習することが主な焦点となっている。しかし、現実世界のネットワークは時間とともに進化し、そのダイナミクスは変動する。このような進化を捉えることは、未見のネットワークの特性を予測する上で鍵となる。ネットワークダイナミクスが予測性能にどのように影響を与えるかを理解するために、我々は動的グラフにおける進化構造を学習し、未見のリンクをより高い精度で予測できる埋め込みアプローチを提案する。我々のモデル、dyngraph2vec（ダイングラフツーべック）は、深層構造（dense および recurrent レイヤーからなる）を使用してネットワーク内の時系列遷移を学習する。予測のためにダイナミクスを捉える必要性について、確率的ブロックモデルを使用して作成した玩具データセットで説明する。その後、2つの現実世界データセットにおいて既存の最先端手法と比較して dyngraph2vec の有効性を示す。我々は、ダイナミクスを学習することで埋め込みの品質が向上し、リンク予測における性能が向上することを確認した。この翻訳では以下の点に注意しました：- 専門用語や技術概念（例：「グラフ表現」「ベクトル空間」「静的なネットワーク」「動的グラフ」「埋め込みアプローチ」など）は一般的な日本語訳を使用しています。- 「dyngraph2vec」などの固有名詞はカタカナ表記とローマ字表記で併記しています。- 文章全体として正式かつ客観的な科学技術系文章のスタイルに合わせています。- 日本語読者にとって自然な表現になるよう文脈や文構造を適切に調整しています。