論文の概要: Deep Structural Point Process for Learning Temporal Interaction Networks
- arxiv url: http://arxiv.org/abs/2107.03573v1
- Date: Thu, 8 Jul 2021 03:07:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:30:01.462246
- Title: Deep Structural Point Process for Learning Temporal Interaction Networks
- Title（参考訳）: 時間的相互作用ネットワーク学習のための深部構造点プロセス
- Authors: Jiangxia Cao, Xixun Lin, Xin Cong, Shu Guo, Hengzhu Tang, Tingwen Liu,
Bin Wang
- Abstract要約: 時間的相互作用ネットワークは、ユーザとアイテム間の時系列的相互作用からなる。
従来の手法では時間的相互作用ネットワークの構造情報を考慮できず、必然的に準最適結果につながる。
本稿では,時間的相互作用ネットワークを学習するためのDSPP(Deep Structure Point Process)を提案する。
- 参考スコア（独自算出の注目度）: 7.288706620982159
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work investigates the problem of learning temporal interaction networks.
A temporal interaction network consists of a series of chronological
interactions between users and items. Previous methods tackle this problem by
using different variants of recurrent neural networks to model sequential
interactions, which fail to consider the structural information of temporal
interaction networks and inevitably lead to sub-optimal results. To this end,
we propose a novel Deep Structural Point Process termed as DSPP for learning
temporal interaction networks. DSPP simultaneously incorporates the topological
structure and long-range dependency structure into our intensity function to
enhance model expressiveness. To be specific, by using the topological
structure as a strong prior, we first design a topological fusion encoder to
obtain node embeddings. An attentive shift encoder is then developed to learn
the long-range dependency structure between users and items in continuous time.
The proposed two modules enable our model to capture the user-item correlation
and dynamic influence in temporal interaction networks. DSPP is evaluated on
three real-world datasets for both tasks of item prediction and time
prediction. Extensive experiments demonstrate that our model achieves
consistent and significant improvements over state-of-the-art baselines.
- Abstract（参考訳）: 本研究では,時間的相互作用ネットワークの学習問題について考察する。
時間的相互作用ネットワークは、ユーザとアイテム間の時系列的相互作用からなる。
従来の手法では、時間的相互作用ネットワークの構造情報を考慮せず、必然的に準最適結果につながるシーケンシャルな相互作用をモデル化するために、再帰的ニューラルネットワークの異なる変種を使用することでこの問題に取り組む。
そこで本研究では,時間的相互作用ネットワークを学習するためのDSPP(Deep Structure Point Process)を提案する。
DSPPは, トポロジカル構造と長距離依存構造を同時に組み込んで, モデル表現性を高める。
具体的には、トポロジカル構造を先行として用いることにより、まず位相的融合エンコーダを設計し、ノード埋め込みを得る。
次に注意シフトエンコーダを開発し,ユーザとアイテム間の長期依存構造を連続的に学習する。
提案する2つのモジュールにより,時間的相互作用ネットワークにおけるユーザ・イテム相関と動的影響を捉えることができる。
dsppはアイテム予測と時間予測の2つのタスクのための3つの実世界のデータセットで評価される。
広範な実験によって、このモデルが最先端のベースラインよりも一貫性と大幅な改善を達成できることが示されました。
関連論文リスト
- Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。
本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。
提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
論文 参考訳（メタデータ） (2024-08-22T22:50:46Z) - Multi-Scale Spatial-Temporal Self-Attention Graph Convolutional Networks for Skeleton-based Action Recognition [0.0]
本稿では,マルチスケール空間時間自己注意(MSST)-GCNという自己注意型GCNハイブリッドモデルを提案する。
適応トポロジを持つ空間自己保持モジュールを用いて、異なる身体部分間のフレーム内相互作用を理解するとともに、時間的自己保持モジュールを用いてノードのフレーム間の相関関係を調べる。
論文 参考訳（メタデータ） (2024-04-03T10:25:45Z) - PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
我々は PDSketch という新しいドメイン定義言語を提案する。
これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。
移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
論文 参考訳（メタデータ） (2023-03-09T18:54:12Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - LSTA-Net: Long short-term Spatio-Temporal Aggregation Network for
Skeleton-based Action Recognition [14.078419675904446]
LSTA-Net(英語版) - 新しい短期時空間ネットワーク。
時間的・短期的な情報は、既存の作品ではよく調べられていない。
3つの公開ベンチマークデータセットで実験が行われた。
論文 参考訳（メタデータ） (2021-11-01T10:53:35Z) - TME-BNA: Temporal Motif-Preserving Network Embedding with Bicomponent
Neighbor Aggregation [6.781943418184634]
時間ネットワークの進化は多くの現実の動的システムの抽象化として機能する。
本稿では,TME-BNA という2成分隣接アグリゲーションを用いた時間的モチーフ保存ネットワーク埋め込み手法を提案する。
ノードのトポロジのダイナミクスを捉えるために、TME-BNAはグラフニューラルネットワーク(GNN)を使用して、それぞれの履歴と現在の隣人を集約する。
論文 参考訳（メタデータ） (2021-10-26T11:53:43Z) - ConTIG: Continuous Representation Learning on Temporal Interaction
Graphs [32.25218861788686]
ConTIGは、ノード埋め込み軌道の連続的動的進化をキャプチャする連続表現法である。
我々のモデルは、最新の相互作用、隣り合う特徴、固有の特徴を含む、動的ネットワークにおける3つの要素を生かしている。
実験結果は、時間的リンク予測、時間的ノードレコメンデーション、動的ノード分類タスクにおけるConTIGの優位性を示す。
論文 参考訳（メタデータ） (2021-09-27T12:11:24Z) - Spatio-Temporal Interaction Graph Parsing Networks for Human-Object
Interaction Recognition [55.7731053128204]
ビデオに基づくヒューマンオブジェクトインタラクションシーンでは、人間とオブジェクトの時間的関係をモデル化することが、ビデオに提示されるコンテキスト情報を理解するための重要な手がかりである。
実効時間関係モデリングでは、各フレームの文脈情報を明らかにするだけでなく、時間間の依存関係を直接キャプチャすることもできる。
外観特徴、空間的位置、意味情報のフル活用は、ビデオベースのヒューマンオブジェクトインタラクション認識性能を改善する鍵でもある。
論文 参考訳（メタデータ） (2021-08-19T11:57:27Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳（メタデータ） (2020-03-09T17:05:04Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。