論文の概要: Predicting Sequences of Traversed Nodes in Graphs using Network Models with Multiple Higher Orders

• arxiv url: http://arxiv.org/abs/2007.06662v2
• Date: Wed, 25 Aug 2021 15:08:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 23:49:18.727983
• Title: Predicting Sequences of Traversed Nodes in Graphs using Network Models with Multiple Higher Orders
• Title（参考訳）: 複数の高次ネットワークモデルを用いたグラフのトラバースノードのシーケンス予測
• Authors: Christoph Gote, Giona Casiraghi, Frank Schweitzer, and Ingo Scholtes
• Abstract要約: 我々は,このような多次モデルを経験的逐次データに適合させ,最適な最大順序を選択する手法を開発した。 本研究では,Webサイトナビゲーションおよび公共交通システムからのシーケンスを含む6つの経験的データセットに基づいて,本モデルの評価を行った。 さらに,サンプル外のシーケンス予測における手法の精度を実証し,数百万のシーケンスを持つデータセットに拡張可能であることを検証した。
• 参考スコア（独自算出の注目度）: 1.0499611180329802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel sequence prediction method for sequential data capturing node traversals in graphs. Our method builds on a statistical modelling framework that combines multiple higher-order network models into a single multi-order model. We develop a technique to fit such multi-order models in empirical sequential data and to select the optimal maximum order. Our framework facilitates both next-element and full sequence prediction given a sequence-prefix of any length. We evaluate our model based on six empirical data sets containing sequences from website navigation as well as public transport systems. The results show that our method out-performs state-of-the-art algorithms for next-element prediction. We further demonstrate the accuracy of our method during out-of-sample sequence prediction and validate that our method can scale to data sets with millions of sequences.
• Abstract（参考訳）: 本稿では,グラフ内のノードトラバーサルの逐次データ取得のための新しいシーケンス予測手法を提案する。 本手法は,複数の高次ネットワークモデルを単一マルチオーダーモデルに結合した統計モデルフレームワークを基盤とする。 経験的逐次データにこのような多階モデルを適用し,最適な最大次数を選択する手法を開発した。 このフレームワークは、任意の長さのシーケンスプリフィックスによって、next-element と full sequence の両方の予測を容易にする。 我々は,webサイトナビゲーションおよび公共交通システムからのシーケンスを含む6つの経験的データセットに基づいて,モデルを評価する。 その結果,本手法は次の要素予測のための最先端アルゴリズムよりも優れていた。 さらに,本手法のサンプル数予測時の精度を実証し,数百万のシーケンスを持つデータセットに拡張可能であることを検証した。

関連論文リスト

• Efficient Model Selection for Predictive Pattern Mining Model by Safe Pattern Pruning [14.892080531048956]
  予測パターンマイニングにおけるパターン番号の爆発に対処するために,安全パターンパニング法(SPP)を提案する。 提案手法の有効性を実証するために,集合,グラフ,シーケンスを含む回帰および分類問題に関する数値実験を行った。
  論文  参考訳（メタデータ） (2023-06-23T15:34:20Z)
• SequenceMatch: Imitation Learning for Autoregressive Sequence Modelling with Backtracking [60.109453252858806]
  MLE(Maxum-likelihood)の目的は、高品質なシーケンスを自動回帰的に生成する下流のユースケースと一致しない。 我々は、模倣学習(IL)問題としてシーケンス生成を定式化する。 これにより、自己回帰モデルによって生成されるシーケンスの分布とデータセットからのシーケンスとの差異を最小化できる。 得られた手法であるSequenceMatchは、敵の訓練やアーキテクチャの変更なしに実装できる。
  論文  参考訳（メタデータ） (2023-06-08T17:59:58Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Sequence-to-Set Generative Models [9.525560801277903]
  本稿では,任意のシーケンス生成モデルを集合生成モデルに変換するシーケンス・ツー・セット法を提案する。 本稿では,シーケンス・ツー・セット方式の例であるGRU2Setについて述べる。 我々のモデルの直接的な応用は、eコマース注文の集合から注文/セット分布を学ぶことである。
  論文  参考訳（メタデータ） (2022-09-19T07:13:51Z)
• Conditional set generation using Seq2seq models [52.516563721766445]
  条件セット生成は、トークンの入力シーケンスからセットへのマッピングを学習する。 シーケンス・ツー・シーケンス(Seq2seq)モデルは、モデルセット生成において一般的な選択である。 本稿では,ラベル順序空間上の情報的順序を効果的に抽出する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-25T04:17:50Z)
• Improving Graph-based Sentence Ordering with Iteratively Predicted Pairwise Orderings [38.91604447717656]
  本稿では,2つの分類器を導入し,グラフに基づく文順序付けのためのペア順序付けを効果的に活用する新しい文順序付けフレームワークを提案する。 本モデルは,BERTとFHDecoderを搭載した場合の最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-10-13T02:18:16Z)
• Time series forecasting based on complex network in weighted node similarity [12.246860992135783]
  時系列解析において、可視性グラフ理論は時系列データをネットワークモデルに変換する。 予測アルゴリズムを最適化するための重み係数としてノード類似度指数を用いる。 この方法はより正確な予測能力を有し、時系列や実際のシーンの分野でより正確な予測を提供することができる。
  論文  参考訳（メタデータ） (2021-03-14T01:01:41Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)
• ProphetNet: Predicting Future N-gram for Sequence-to-Sequence Pre-training [85.35910219651572]
  本稿ではProphetNetと呼ばれる新しいシーケンス・ツー・シーケンス事前学習モデルを提案する。 将来的なn-gram予測という,新たな自己教師型目標を導入している。 我々は,CNN/DailyMail,Gigaword,SQuAD 1.1ベンチマークを用いて,抽象的な要約と質問生成タスクの実験を行った。
  論文  参考訳（メタデータ） (2020-01-13T05:12:38Z)

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。