論文の概要: Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2003.13432v3
• Date: Sun, 14 Jun 2020 21:48:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 06:40:03.365318
• Title: Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs
• Title（参考訳）: 時間的知識グラフの予測のためのグラフホークスニューラルネットワーク
• Authors: Zhen Han, Yunpu Ma, Yuyi Wang, Stephan G\"unnemann, Volker Tresp
• Abstract要約: ホークスプロセスは、異なるイベントタイプで自己励起イベントシーケンスをモデリングする標準的な方法となっている。 本稿では,進化するグラフ列のダイナミクスを捉えることができるグラフホークスニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 38.56057203198837
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The Hawkes process has become a standard method for modeling self-exciting event sequences with different event types. A recent work has generalized the Hawkes process to a neurally self-modulating multivariate point process, which enables the capturing of more complex and realistic impacts of past events on future events. However, this approach is limited by the number of possible event types, making it impossible to model the dynamics of evolving graph sequences, where each possible link between two nodes can be considered as an event type. The number of event types increases even further when links are directional and labeled. To address this issue, we propose the Graph Hawkes Neural Network that can capture the dynamics of evolving graph sequences and can predict the occurrence of a fact in a future time instance. Extensive experiments on large-scale temporal multi-relational databases, such as temporal knowledge graphs, demonstrate the effectiveness of our approach.
• Abstract（参考訳）: hawkesプロセスは、異なるイベントタイプで自己引用イベントシーケンスをモデル化する標準的な方法となった。 最近の研究は、ホークス過程を神経的に自己調節された多変量点プロセスに一般化し、過去の出来事が将来の出来事に与える影響をより複雑で現実的なものにすることができる。 しかし、このアプローチは可能なイベントタイプの数によって制限されており、2つのノード間のそれぞれのリンクをイベントタイプとみなすことができるため、進化するグラフシーケンスのダイナミクスをモデル化することは不可能である。 リンクが方向付けされラベル付けされると、イベントタイプの数はさらに増加する。 この問題に対処するために、進化するグラフシーケンスのダイナミクスをキャプチャし、将来のインスタンスにおける事象の発生を予測するグラフホークスニューラルネットワークを提案する。 時間的知識グラフなどの大規模時間的多関係データベースに関する広範な実験により,本手法の有効性が示された。

関連論文リスト

• Interaction Event Forecasting in Multi-Relational Recursive HyperGraphs: A Temporal Point Process Approach [12.142292322071299]
  本研究は,マルチリレーショナル再帰的ハイパーグラフにおける高次相互作用事象の予測問題に対処する。 提案したモデルであるtextitRelational Recursive Hyperedge Temporal Point Process (RRHyperTPP) は,歴史的相互作用パターンに基づいて動的ノード表現を学習するエンコーダを使用する。 我々は,従来のインタラクション予測手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-04-27T15:46:54Z)
• Interpretable Neural Temporal Point Processes for Modelling Electronic Health Records [0.0]
  本稿では、イベントシーケンスモデリングのための解釈可能なフレームワーク inf2vec を提案し、イベントの影響を直接パラメータ化し、エンドツーエンドで学習することができる。 実験では,イベント予測におけるモデルの有効性と,型型学習の影響を実証した。
  論文  参考訳（メタデータ） (2024-04-09T12:37:41Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Continuous-time convolutions model of event sequences [53.36665135225617]
  イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。 利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。 時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• A Graph Regularized Point Process Model For Event Propagation Sequence [2.9093633827040724]
  ポイントプロセスは、不規則な間隔で発生するイベントシーケンスをモデル化するための支配的なパラダイムである。 本稿では,隣接ノード間のイベントインタラクションを特徴付けるグラフ正規化ポイントプロセスを提案する。 グラフ正規化法を適用することにより、GRPPはノード間の影響強度を明らかにすることによってモデル解釈可能性を提供する。
  論文  参考訳（メタデータ） (2022-11-21T04:49:59Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Variational Neural Temporal Point Process [22.396329275957996]
  時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。 推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。 我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-02-17T13:34:30Z)
• Hawkes Processes on Graphons [85.6759041284472]
  我々は、グランガー因果グラフに関連するホークス過程とその変種について研究する。 対応するホークスプロセスを生成し、イベントシーケンスをシミュレートすることができる。 生成した事象列と観測された事象列との間の階層的最適輸送距離を最小化することにより,提案モデルを学習する。
  論文  参考訳（メタデータ） (2021-02-04T17:09:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。