論文の概要: Multi-Relation Aware Temporal Interaction Network Embedding

• arxiv url: http://arxiv.org/abs/2110.04503v1
• Date: Sat, 9 Oct 2021 08:28:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 18:24:36.898920
• Title: Multi-Relation Aware Temporal Interaction Network Embedding
• Title（参考訳）: 時間的相互作用ネットワークの埋め込みを考慮したマルチリレーション
• Authors: Ling Chen, Shanshan Yu, Dandan Lyu and Da Wang
• Abstract要約: 時間的相互作用ネットワークの埋め込みは、時間的相互作用ネットワーク内の情報を効果的にマイニングすることができる。 既存の時間的相互作用ネットワークの埋め込み手法は、近隣ノードの履歴的相互作用関係のみを使用する。 MRATE(Multi-relation aware temporal interaction network embedded method)を提案する。
• 参考スコア（独自算出の注目度）: 6.964492092209715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal interaction networks are formed in many fields, e.g., e-commerce, online education, and social network service. Temporal interaction network embedding can effectively mine the information in temporal interaction networks, which is of great significance to the above fields. Usually, the occurrence of an interaction affects not only the nodes directly involved in the interaction (interacting nodes), but also the neighbor nodes of interacting nodes. However, existing temporal interaction network embedding methods only use historical interaction relations to mine neighbor nodes, ignoring other relation types. In this paper, we propose a multi-relation aware temporal interaction network embedding method (MRATE). Based on historical interactions, MRATE mines historical interaction relations, common interaction relations, and interaction sequence similarity relations to obtain the neighbor based embeddings of interacting nodes. The hierarchical multi-relation aware aggregation method in MRATE first employs graph attention networks (GATs) to aggregate the interaction impacts propagated through a same relation type and then combines the aggregated interaction impacts from multiple relation types through the self-attention mechanism. Experiments are conducted on three public temporal interaction network datasets, and the experimental results show the effectiveness of MRATE.
• Abstract（参考訳）: 時間的相互作用ネットワークは、eコマース、オンライン教育、ソーシャルネットワークサービスなど、多くの分野で形成されている。 時間的相互作用ネットワーク埋め込みは、時間的相互作用ネットワーク内の情報を効果的にマイニングすることができる。 通常、相互作用の発生は、相互作用(相互作用ノード)に直接関係するノードだけでなく、相互作用するノードの隣ノードにも影響を及ぼす。 しかし、既存の時間的相互作用ネットワーク埋め込み手法は、他の関係型を無視して、近隣ノードをマイニングする履歴的相互作用関係のみを使用する。 本稿では,マルチリレーショナルな時間的相互作用ネットワーク埋め込み手法(mrate)を提案する。 MRATEは歴史的相互作用に基づいて、相互作用ノードの隣り合う埋め込みを得るために、歴史的な相互作用関係、共通の相互作用関係、相互作用シーケンス類似性関係をマイニングする。 MRATEの階層的マルチリレーション対応アグリゲーション法では、まずグラフアテンションネットワーク(GAT)を用いて、同一の関係型を介して伝播する相互作用の影響を集約し、自己アテンション機構を通じて複数の関係型からの相互作用の影響を結合する。 3つの公開時間相互作用ネットワークデータセットについて実験を行い,mrateの有効性を示した。

関連論文リスト

• LoginMEA: Local-to-Global Interaction Network for Multi-modal Entity Alignment [18.365849722239865]
  マルチモーダルなエンティティアライメント(MMEA)は、2つのマルチモーダルな知識グラフ間で等価なエンティティを識別することを目的としている。 我々は、ロギンメAと呼ばれるMMEAのための新しいローカル・グローバル・インタラクション・ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-29T01:06:45Z)
• Interactive Spatiotemporal Token Attention Network for Skeleton-based General Interactive Action Recognition [8.513434732050749]
  本稿では,空間的,時間的,対話的な関係を同時にモデル化する対話型時空間意識ネットワーク(ISTA-Net)を提案する。 我々のネットワークには対話的時空間トークン(IST)を分割するトークン機構があり、これは複数の多様なエンティティの動作を表現する統一的な方法である。 ISTの3次元に沿って共同学習するために、3次元畳み込みと統合されたマルチヘッド自己認識ブロックは、トークン間の相関を捉えるように設計されている。
  論文  参考訳（メタデータ） (2023-07-14T16:51:25Z)
• Interaction Transformer for Human Reaction Generation [61.22481606720487]
  本稿では,時間的,空間的両方の注意を持つトランスフォーマーネットワークからなる対話型トランスフォーマー(InterFormer)を提案する。 我々の手法は一般的であり、より複雑で長期的な相互作用を生成するのに利用できる。
  論文  参考訳（メタデータ） (2022-07-04T19:30:41Z)
• Interactiveness Field in Human-Object Interactions [89.13149887013905]
  画像中の物体が人間とペアリングした後、生成されたペアは、主に非対話的か、主に対話的かのいずれかである。 本研究では,対話型対と非対話型対の基底となる「相互作用性場」の濃度と差に基づく新しいエネルギー制約を提案する。 提案手法により,より高精度なペア検出が可能となり,HOI検出性能が大幅に向上する。
  論文  参考訳（メタデータ） (2022-04-16T05:09:25Z)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)
• 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)
• 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)
• Unlimited Neighborhood Interaction for Heterogeneous Trajectory Prediction [97.40338982628094]
  マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。 具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。 階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
  論文  参考訳（メタデータ） (2021-07-31T13:36:04Z)
• Continuous Latent Position Models for Instantaneous Interactions [0.0]
  一対のエンティティ間の即時相互作用のタイミングと頻度を分析するためのフレームワークを作成します。 瞬時相互作用の例としては、電子メールネットワーク、電話ネットワーク、およびいくつかの一般的な技術および輸送ネットワークがある。
  論文  参考訳（メタデータ） (2021-03-31T15:10:58Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• 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)

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。