論文の概要: Exploring and mining attributed sequences of interactions
- arxiv url: http://arxiv.org/abs/2107.13329v1
- Date: Wed, 28 Jul 2021 12:53:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 13:54:28.208520
- Title: Exploring and mining attributed sequences of interactions
- Title（参考訳）: 相互作用の連鎖の探索とマイニング
- Authors: Tiphaine Viard, Henry Soldano, Guillaume Santini
- Abstract要約: 私たちはインタラクションをストリームグラフとしてモデル化します。
ラベル付きストリームグラフ上に閉じたパターンを列挙するアルゴリズムを導入し、関連する閉じたパターンを選択する方法を導入する。
学生間の相互作用と著者間の引用の2つの実世界のデータセットについて実験を行った。
- 参考スコア（独自算出の注目度）: 0.1933681537640272
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We are faced with data comprised of entities interacting over time: this can
be individuals meeting, customers buying products, machines exchanging packets
on the IP network, among others. Capturing the dynamics as well as the
structure of these interactions is of crucial importance for analysis. These
interactions can almost always be labeled with content: group belonging,
reviews of products, abstracts, etc. We model these stream of interactions as
stream graphs, a recent framework to model interactions over time. Formal
Concept Analysis provides a framework for analyzing concepts evolving within a
context. Considering graphs as the context, it has recently been applied to
perform closed pattern mining on social graphs. In this paper, we are
interested in pattern mining in sequences of interactions. After recalling and
extending notions from formal concept analysis on graphs to stream graphs, we
introduce algorithms to enumerate closed patterns on a labeled stream graph,
and introduce a way to select relevant closed patterns. We run experiments on
two real-world datasets of interactions among students and citations between
authors, and show both the feasibility and the relevance of our method.
- Abstract（参考訳）: 私たちは時間とともに相互作用するエンティティで構成されるデータに直面しています。これは個人会議や製品購入、ipネットワーク上のパケット交換マシンなどです。
ダイナミックスとこれらの相互作用の構造を捉えることは、分析にとって非常に重要である。
これらの相互作用は、ほとんどいつも、グループに属する、製品のレビュー、抽象、などのコンテンツでラベル付けされる。
私たちはこれらの相互作用のストリームを、時間とともに相互作用をモデル化する最近のフレームワークであるストリームグラフとしてモデル化します。
形式的概念分析は、コンテキスト内で進化する概念を分析するためのフレームワークを提供する。
グラフを文脈として考えると、最近ソーシャルグラフ上でクローズドパターンマイニングを行うために適用されている。
本稿では,インタラクションのシーケンスにおけるパターンマイニングに関心がある。
グラフの形式的概念分析からストリームグラフまでの概念をリコールし拡張した後,ラベル付きストリームグラフ上に閉じたパターンを列挙するアルゴリズムを導入し,関連する閉じたパターンを選択する方法を提案する。
我々は,学生同士の相互作用と著者間の引用の2つの実世界のデータセットを用いて実験を行い,本手法の有効性と妥当性を示す。
関連論文リスト
- Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。
この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
論文 参考訳（メタデータ） (2024-08-26T06:36:42Z) - Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。
ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
論文 参考訳（メタデータ） (2023-05-04T16:04:41Z) - Everything is Connected: Graph Neural Networks [0.0]
この短い調査は、グラフ表現学習の領域において、読者が重要な概念を同化できるようにすることを目的としている。
この短い調査の主な目的は、読者がその領域における重要な概念を同化させ、関連する分野との適切なコンテキストにおける位置グラフ表現学習を可能にすることである。
論文 参考訳（メタデータ） (2023-01-19T18:09:43Z) - Dynamic Representation Learning with Temporal Point Processes for
Higher-Order Interaction Forecasting [8.680676599607123]
本稿では,これらの問題に対処するためのハイパーエッジ予測のための時間点プロセスモデルを提案する。
私たちの知る限りでは、動的ネットワークのハイパーエッジを予測するために時間点プロセスを使った最初の研究である。
論文 参考訳（メタデータ） (2021-12-19T14:24:37Z) - A Graph Neural Network Approach for Product Relationship Prediction [10.404936340171384]
GraphSAGEと呼ばれる誘導グラフニューラルネットワークアプローチが、ノードとエッジの連続表現を効率的に学習する方法を示す。
中国自動車市場のケーススタディを用いて,提案手法が予測性能を2倍にすることを確認した。
論文 参考訳（メタデータ） (2021-05-12T18:18:38Z) - Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。
本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文 参考訳（メタデータ） (2021-03-29T14:37:35Z) - ConsNet: Learning Consistency Graph for Zero-Shot Human-Object
Interaction Detection [101.56529337489417]
画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。
我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。
提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
論文 参考訳（メタデータ） (2020-08-14T09:11:18Z) - A Graph-based Interactive Reasoning for Human-Object Interaction
Detection [71.50535113279551]
本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。
In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。
私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
論文 参考訳（メタデータ） (2020-07-14T09:29:03Z) - GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity
Interactions [70.9481395807354]
本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。
GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-05-12T03:46:15Z) - A Survey of Adversarial Learning on Graphs [59.21341359399431]
本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。
具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。
我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
論文 参考訳（メタデータ） (2020-03-10T12:48:00Z)
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。