論文の概要: Dynamic Representation Learning with Temporal Point Processes for
Higher-Order Interaction Forecasting
- arxiv url: http://arxiv.org/abs/2112.10154v4
- Date: Sat, 1 Apr 2023 07:51:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 01:41:20.492045
- Title: Dynamic Representation Learning with Temporal Point Processes for
Higher-Order Interaction Forecasting
- Title（参考訳）: 高次インタラクション予測のための時間点プロセスを用いた動的表現学習
- Authors: Tony Gracious, Ambedkar Dukkipati
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.680676599607123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The explosion of digital information and the growing involvement of people in
social networks led to enormous research activity to develop methods that can
extract meaningful information from interaction data. Commonly, interactions
are represented by edges in a network or a graph, which implicitly assumes that
the interactions are pairwise and static. However, real-world interactions
deviate from these assumptions: (i) interactions can be multi-way, involving
more than two nodes or individuals (e.g., family relationships, protein
interactions), and (ii) interactions can change over a period of time (e.g.,
change of opinions and friendship status). While pairwise interactions have
been studied in a dynamic network setting and multi-way interactions have been
studied using hypergraphs in static networks, there exists no method, at
present, that can predict multi-way interactions or hyperedges in dynamic
settings. Existing related methods cannot answer temporal queries like what
type of interaction will occur next and when it will occur. This paper proposes
a temporal point process model for hyperedge prediction to address these
problems. Our proposed model uses dynamic representation learning techniques
for nodes in a neural point process framework to forecast hyperedges. We
present several experimental results and set benchmark results. As far as our
knowledge, this is the first work that uses the temporal point process to
forecast hyperedges in dynamic networks.
- Abstract（参考訳）: デジタル情報の爆発とソーシャルネットワークへの人々の関与の増加は、対話データから意味のある情報を抽出する手法を開発するための膨大な研究活動につながった。
一般的に、相互作用はネットワークやグラフのエッジによって表現され、相互作用はペアで静的であると暗黙的に仮定される。
しかし、現実世界の相互作用はこれらの前提から逸脱する。
i) 相互作用は2つ以上のノードまたは個人(例えば、家族関係、タンパク質相互作用)と多方向である。
(II) 相互作用は一定期間にわたって変化しうる(例えば、意見の変化や友情状態)。
動的ネットワーク設定において対の相互作用が研究され、静的ネットワークにおけるハイパーグラフを用いてマルチウェイ相互作用が研究されているが、現在、動的設定におけるマルチウェイ相互作用やハイパーエッジを予測する方法が存在しない。
既存のメソッドは、次にいつ、いつ発生するかのような、時間的クエリに答えることができない。
本稿では,ハイパーエッジ予測のための時間的点過程モデルを提案する。
提案モデルは,ハイパーエッジ予測のためのニューラルポイントプロセスフレームワークにおけるノードの動的表現学習手法を用いる。
いくつかの実験結果とベンチマーク結果を示す。
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。
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。