論文の概要: Neural Higher-order Pattern (Motif) Prediction in Temporal Networks
- arxiv url: http://arxiv.org/abs/2106.06039v1
- Date: Thu, 10 Jun 2021 20:42:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-14 14:08:24.678241
- Title: Neural Higher-order Pattern (Motif) Prediction in Temporal Networks
- Title（参考訳）: 時間ネットワークにおけるニューラル高次パターン(モチーフ)予測
- Authors: Yunyu Liu, Jianzhu Ma, Pan Li
- Abstract要約: 時間ハイパーグラフにおける高次パターン予測のための最初のモデルHITを提案する。
ヒッタは、時間ハイパーグラフ上のノード三重項の構造的表現を抽出し、それを使って、この三重項において相互作用の展開が起こる理由、時期、および理由を判断する。
- 参考スコア（独自算出の注目度）: 9.717332900439432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic systems that consist of a set of interacting elements can be
abstracted as temporal networks. Recently, higher-order patterns that involve
multiple interacting nodes have been found crucial to indicate domain-specific
laws of different temporal networks. This posts us the challenge of designing
more sophisticated hypergraph models for these higher-order patterns and the
associated new learning algorithms. Here, we propose the first model, named
HIT, for higher-order pattern prediction in temporal hypergraphs. Particularly,
we focus on predicting three types of common but important interaction patterns
involving three interacting elements in temporal networks, which could be
extended to even higher-order patterns. HIT extracts the structural
representation of a node triplet of interest on the temporal hypergraph and
uses it to tell what type of, when, and why the interaction expansion could
happen in this triplet. HIT could achieve significant improvement(averaged 20%
AUC gain to identify the interaction type, uniformly more accurate time
estimation) compared to both heuristic and other neural-network-based baselines
on 5 real-world large temporal hypergraphs. Moreover, HIT provides a certain
degree of interpretability by identifying the most discriminatory structural
features on the temporal hypergraphs for predicting different higher-order
patterns.
- Abstract（参考訳）: 相互作用する要素の集合からなる動的システムは、時間的ネットワークとして抽象化できる。
近年、複数の相互作用ノードを含む高次パターンが、異なる時間ネットワークのドメイン固有の法則を示すために重要であることが判明している。
この論文は、これらの高階パターンと関連する新しい学習アルゴリズムのために、より洗練されたハイパーグラフモデルを設計するという課題を取り上げている。
本稿では,時間ハイパーグラフにおける高次パターン予測のためのHITモデルを提案する。
特に,時間的ネットワークにおける3つの相互作用要素を含む3種類の共通だが重要な相互作用パターンの予測に焦点をあてた。
HITは、時間ハイパーグラフ上の関心のノード三重項の構造的表現を抽出し、それを用いて、この三重項において相互作用の展開が起こるか、いつ、なぜ起こるかを知る。
HITは、5つの実世界の大きな時間ハイパーグラフ上のヒューリスティックおよび他のニューラルネットワークベースのベースラインと比較して、大きな改善(平均20%のAUCゲインで相互作用タイプを識別し、一様に正確な時間推定を行う)を達成できる。
さらに、hitは、異なる高次パターンを予測するために、時間的ハイパーグラフの最も識別的な構造特徴を識別することによって、ある程度の解釈可能性を提供する。
関連論文リスト
- CTRL: Continuous-Time Representation Learning on Temporal Heterogeneous Information Network [32.42051167404171]
時間HINを用いた連続時間表現学習モデルを提案する。
我々は、高次ネットワーク構造の進化を捉えるために、将来の事象(サブグラフ)予測タスクでモデルを訓練する。
その結果,本モデルは性能を著しく向上し,様々な最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-05-11T03:39:22Z) - 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) - MSHyper: Multi-Scale Hypergraph Transformer for Long-Range Time Series
Forecasting [7.178309082582536]
より包括的なパターン相互作用モデリングを促進するために,マルチスケールハイパーグラフトランス (MSHyper) フレームワークを提案する。
MSHyperは最先端のパフォーマンスを達成し、予測エラーを平均8.73%、MSEとMAEのベースラインで7.15%削減する。
論文 参考訳（メタデータ） (2024-01-17T15:12:11Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳（メタデータ） (2023-06-16T04:40:59Z) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳（メタデータ） (2023-06-06T16:24:27Z) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳（メタデータ） (2023-06-05T03:26:06Z) - 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) - Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。
本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。
S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
論文 参考訳（メタデータ） (2023-02-15T06:36:04Z) - Neural Temporal Point Process for Forecasting Higher Order and Directional Interactions [10.803714426078642]
本稿では,ハイパーエッジイベント予測のための,ディープニューラルネットワークに基づくテキスト指向ハイパーNodeテンポラルポイントプロセスを提案する。
提案手法は,イベントが観測されるノードを最初に予測することで,探索空間を縮小する。
これらに基づいて、候補のハイパーエッジを生成し、それをハイパーエッジ予測器が使用して、基底の真理を識別する。
論文 参考訳（メタデータ） (2023-01-28T14:32:14Z) - 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) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳（メタデータ） (2022-02-17T02:17:31Z)
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。