from A Comprehensive Guide to Temporal Graphs in Data Science.
Temporal graphsは、時間的な関係や相互作用を分析するためのデータサイエンスツールであり、エンティティ間の時間的な依存関係をモデリングする堅牢なフレームワークを提供します。これらは、自然言語処理や情報検索などの分野で使用されるTemporal knowledge graphsを含む。学習技術としては、Temporal Graph Convolutional NetworksやTemporal Graph Attention Networksなどがあり、これらは時間的な依存関係を捉えるための畳み込み操作や注意機構を利用します。また、Temporal Graph Recurrent Neural Networksは再帰的な接続を使用して時間的な依存関係をモデル化します。
Temporal graphsの分析と可視化には、グラフの特性を定量化するメトリクスや、視覚的に探索するためのテクニックがあります。データベースとクエリの文脈では、Temporal Graphデータを格納するためのモデルや、クエリ言語、インデックスと最適化技術が使用されます。埋め込みとマイニングでは、ノードやグラフ全体を低次元ベクトル空間で表現する技術や、パターン発見と異常検知のための技術があります。
最後に、Temporal graphsは社会ネットワーク分析、金融市場、疫学、交通分析など多岐にわたるドメインで応用され、複雑なシステムや現象の理解を深めるために利用されています。
