論文の概要: Multi-Aspect Temporal Network Embedding: A Mixture of Hawkes Process
View
- arxiv url: http://arxiv.org/abs/2105.08566v1
- Date: Tue, 18 May 2021 14:50:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 13:54:29.064881
- Title: Multi-Aspect Temporal Network Embedding: A Mixture of Hawkes Process
View
- Title(参考訳): multi-aspect temporal network embedded: a mixed of hawkes process view
- Authors: Yutian Chang and Guannan Liu and Yuan Zuo and Junjie Wu
- Abstract要約: エッジの形成は、時間的影響を含む様々な駆動要因に起因する可能性があると論じる。
本稿では,ホークスに基づく時間的ネットワーク埋め込みモデルを用いて,ネットワークのアスペクト駆動型近傍形成を捉える。
- 参考スコア(独自算出の注目度): 8.190358900768008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed the tremendous research interests in network
embedding. Extant works have taken the neighborhood formation as the critical
information to reveal the inherent dynamics of network structures, and
suggested encoding temporal edge formation sequences to capture the historical
influences of neighbors. In this paper, however, we argue that the edge
formation can be attributed to a variety of driving factors including the
temporal influence, which is better referred to as multiple aspects. As a
matter of fact, different node aspects can drive the formation of distinctive
neighbors, giving birth to the multi-aspect embedding that relates to but goes
beyond a temporal scope. Along this vein, we propose a Mixture of Hawkes-based
Temporal Network Embeddings (MHNE) model to capture the aspect-driven
neighborhood formation of networks. In MHNE, we encode the multi-aspect
embeddings into the mixture of Hawkes processes to gain the advantages in
modeling the excitation effects and the latent aspects. Specifically, a graph
attention mechanism is used to assign different weights to account for the
excitation effects of history events, while a Gumbel-Softmax is plugged in to
derive the distribution over the aspects. Extensive experiments on 8 different
temporal networks have demonstrated the great performance of the multi-aspect
embeddings obtained by MHNE in comparison with the state-of-the-art methods.
- Abstract(参考訳): 近年,ネットワーク組込みの研究が盛んに行われている。
現存する研究は、ネットワーク構造の本質的なダイナミクスを明らかにする重要な情報として地区形成を取り上げ、近隣の歴史的影響を捉えるために、時間的エッジ形成シーケンスの符号化を提案した。
しかし,本稿では,エッジの形成は時間的影響を含む様々な要因に起因しうると論じる。
実のところ、異なるノードの側面は、識別された隣人の形成を駆動し、時間的スコープを超えながら関連するマルチスペクトル埋め込みを生み出します。
そこで本研究では,ホークスに基づく時間的ネットワーク埋め込み(mhne)モデルを用いて,ネットワークのアスペクト駆動近傍形成を捉える手法を提案する。
MHNEでは、複数アスペクトの埋め込みをホークス過程の混合にエンコードし、励起効果と潜伏面をモデル化する利点を得る。
具体的には、履歴イベントの励起効果を考慮して異なる重みを割り当てるためにグラフアテンション機構を使用し、一方、gumbel-softmaxはアスペクト上の分布を導出するために接続される。
8つの異なる時間ネットワークに関する大規模な実験は、MHNEによって得られたマルチアスペクト埋め込みの性能を最先端の手法と比較した。
関連論文リスト
- Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.89014020303557]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳(メタデータ) (2023-08-02T12:04:28Z) - SINCERE: Sequential Interaction Networks representation learning on
Co-Evolving RiEmannian manifolds [9.710773626459718]
SINCEREは、共進化リーマン多様体上の逐次相互作用ネットワークを表す新しい方法である。
ユーザーとアイテムをそれぞれの空間に埋め込んだ軌跡を考慮に入れ、時間とともに曲率がどのように変化するかという空間の進化を強調する。
いくつかの実世界のデータセットの実験は、最先端のシーケンシャル相互作用予測法に対してSINCEREの有望な性能を示す。
論文 参考訳(メタデータ) (2023-05-06T00:38:29Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-15T08:17:18Z) - Significant Ties Graph Neural Networks for Continuous-Time Temporal
Networks Modeling [8.870188183999852]
時間ネットワークは複雑な進化系をモデル化するのに適している。
本稿では,有意な関係を捕捉し記述する新しいフレームワークである,有意なTies Graph Neural Networks (STGNN)を提案する。
論文 参考訳(メタデータ) (2022-11-12T06:56:36Z) - A Mutually Exciting Latent Space Hawkes Process Model for
Continuous-time Networks [3.883893461313154]
本稿では,ノードの潜在空間表現を用いた関係事象の連続時間ネットワークのための新しい生成モデルを提案する。
提案したLSHモデルは,相互性や推移性を含む実時間ネットワークで観測される多くの特徴を再現可能であることを示す。
論文 参考訳(メタデータ) (2022-05-19T00:56:12Z) - Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。
我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。
提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
論文 参考訳(メタデータ) (2021-10-05T15:39:11Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳(メタデータ) (2021-02-15T00:57:28Z) - Multi-View Dynamic Heterogeneous Information Network Embedding [3.8093526291513347]
MDHNE(Multi-View Dynamic HIN Embedding)と呼ばれるHIN埋め込みに時間情報を組み込む新しいフレームワークを提案する。
提案するMDHNEは、複雑なネットワーク構造とノード間の意味的関係の進化パターンを潜在埋め込み空間に組み込むために、リカレントニューラルネットワーク(RNN)を適用している。
本モデルは,ネットワークマイニングタスクの3つの実世界の動的データセットに対して,最先端のベースラインを上回ります。
論文 参考訳(メタデータ) (2020-11-12T12:33:29Z) - F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。
ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。
F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
論文 参考訳(メタデータ) (2020-11-09T19:55:40Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。