論文の概要: Representation Learning for Dynamic Hyperedges

• arxiv url: http://arxiv.org/abs/2112.10154v1
• Date: Sun, 19 Dec 2021 14:24:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 18:27:13.344427
• Title: Representation Learning for Dynamic Hyperedges
• Title（参考訳）: 動的ハイパーエッジのための表現学習
• Authors: Tony Gracious, Ambedkar Dukkipati
• Abstract要約: ハイパーリンク予測のための時間点プロセスモデルを開発する。 提案モデルでは、進化をモデル化するためにノードの動的表現技術を使用し、この表現をニューラルネットワークプロセスフレームワークで推論する。
• 参考スコア（独自算出の注目度）: 7.716156977428555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently there has been a massive interest in extracting information from interaction data. Traditionally this is done by modeling it as pair-wise interaction at a particular time in a dynamic network. However, real-world interactions are seldom pair-wise; they can involve more than two nodes. In literature, these types of group interactions are modeled by hyperedges/hyperlinks. The existing works for hyperedge modeling focused only on static networks, and they cannot model the temporal evolution of nodes as they interact with other nodes. Also, they cannot answer temporal queries like which type of interaction will occur next and when the interaction will occur. To address these limitations, in this paper, we develop a temporal point process model for hyperlink prediction. Our proposed model uses dynamic representation techniques for nodes to model the evolution and uses this representation in a neural point process framework to make inferences. We evaluate our models on five real-world interaction data and show that our dynamic model has significant performance gain over the static model. Further, we also demonstrate the advantages of our technique over the pair-wise interaction modeling technique.
• Abstract（参考訳）: 近年,インタラクションデータから情報を抽出することへの関心が高まっている。 従来の方法では、動的ネットワーク内の特定のタイミングでペアワイズインタラクションとしてモデル化する。 しかし、実世界の相互作用は2つ以上のノードを含むことがほとんどない。 文献では、この種のグループ相互作用はハイパーエッジ/ハイパーリンクによってモデル化される。 既存のハイパーエッジモデリングの作業は静的ネットワークのみに焦点を当てており、他のノードと相互作用するノードの時間的進化をモデル化することはできない。 また、どのタイプのインタラクションが次に発生し、いつインタラクションが生じるかといった、時間的なクエリに答えることはできない。 本稿では,これらの制約に対処するため,ハイパーリンク予測のための時間点プロセスモデルを開発する。 提案モデルでは,ノードの動的表現手法を用いて進化をモデル化し,この表現をニューラルポイントプロセスフレームワークを用いて推論を行う。 実世界の5つのインタラクションデータからモデルを評価し,静的モデルよりも動的モデルの方が高い性能を示した。 さらに,この手法が対相互作用モデリング技術よりも優れていることを示す。

関連論文リスト

• 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)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Machine learning the interaction network in coupled dynamical systems [0.0]
  相互作用する粒子の集合において、相互作用ネットワークは、様々なコンポーネントが相互にどのように相互作用するかに関する情報を含んでいる。 本研究では,対話ネットワークの回復とエージェントのダイナミクスの予測という2つの結果を達成するために,自己教師型ニューラルネットワークモデルを用いる。
  論文  参考訳（メタデータ） (2023-10-05T08:29:00Z)
• 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)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• 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)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Spatio-Temporal Dynamic Inference Network for Group Activity Recognition [7.007702816885332]
  グループ活動は、その問題を解決するために人々のグループが行う活動を理解することを目的としている。 従来の手法は、人固有のコンテキストを無視する事前定義されたグラフの推論において制限される。 本稿では、動的関係(DR)モジュールと動的ウォーク(DW)モジュールで構成される動的推論ネットワーク(DIN)を提案する。
  論文  参考訳（メタデータ） (2021-08-26T12:40:20Z)
• Information Interaction Profile of Choice Adoption [2.9972063833424216]
  相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。 相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。 ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
  論文  参考訳（メタデータ） (2021-04-28T10:42:25Z)
• 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。