論文の概要: The Multivariate Community Hawkes Model for Dependent Relational Events in Continuous-time Networks

• arxiv url: http://arxiv.org/abs/2205.00639v1
• Date: Mon, 2 May 2022 04:08:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 14:33:51.719914
• Title: The Multivariate Community Hawkes Model for Dependent Relational Events in Continuous-time Networks
• Title（参考訳）: 連続時間ネットワークにおける関係事象に対する多変量コミュニティホークスモデル
• Authors: Hadeel Soliman, Lingfei Zhao, Zhipeng Huang, Subhadeep Paul, Kevin S. Xu
• Abstract要約: ブロックモデル(SBM)は、ネットワークデータのための最も広く使われている生成モデルの一つである。 本稿では,マルチ変数コミュニティホークス(MULCH)モデルを提案する。 提案したMULCHモデルは,予測および予測生成タスクにおいて,既存のモデルよりもはるかに正確であることがわかった。
• 参考スコア（独自算出の注目度）: 3.55528500800612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The stochastic block model (SBM) is one of the most widely used generative models for network data. Many continuous-time dynamic network models are built upon the same assumption as the SBM: edges or events between all pairs of nodes are conditionally independent given the block or community memberships, which prevents them from reproducing higher-order motifs such as triangles that are commonly observed in real networks. We propose the multivariate community Hawkes (MULCH) model, an extremely flexible community-based model for continuous-time networks that introduces dependence between node pairs using structured multivariate Hawkes processes. We fit the model using a spectral clustering and likelihood-based local refinement procedure. We find that our proposed MULCH model is far more accurate than existing models both for predictive and generative tasks.
• Abstract（参考訳）: 確率ブロックモデル(sbm)はネットワークデータに対して最も広く使われている生成モデルの一つである。 多くの連続時間動的ネットワークモデルは、SBMと同じ仮定に基づいて構築されている: 全てのノード間のエッジやイベントは、ブロックやコミュニティのメンバーシップによって条件的に独立しているため、実際のネットワークでよく見られる三角形のような高次のモチーフを再現することができない。 多変量コミュニティホークス(MULCH)モデルを提案する。これは、構造化多変量ホークスプロセスを用いてノードペア間の依存性を導入する、連続時間ネットワークのための非常に柔軟なコミュニティベースモデルである。 スペクトルクラスタリングと確率に基づく局所改善手法を用いてモデルに適合する。 提案したMULCHモデルは,予測タスクと生成タスクの両方において,既存のモデルよりもはるかに正確であることがわかった。

関連論文リスト

• DisenTS: Disentangled Channel Evolving Pattern Modeling for Multivariate Time Series Forecasting [43.071713191702486]
  DisenTSは、一般的な時系列予測において、不整合チャネル進化パターンをモデル化するための調整されたフレームワークである。 本稿では,予測器の状態と入力系列の特性の両方に応じて適応的にルーティング信号を生成する,新しいフォアキャスタ・アウェアゲート(FAG)モジュールを提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:46:14Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• A Mutually Exciting Latent Space Hawkes Process Model for Continuous-time Networks [3.883893461313154]
  本稿では,ノードの潜在空間表現を用いた関係事象の連続時間ネットワークのための新しい生成モデルを提案する。 提案したLSHモデルは,相互性や推移性を含む実時間ネットワークで観測される多くの特徴を再現可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-19T00:56:12Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Dynamic Gaussian Mixture based Deep Generative Model For Robust Forecasting on Sparse Multivariate Time Series [43.86737761236125]
  本研究では,孤立した特徴表現ではなく,潜在クラスタの遷移を追跡する新しい生成モデルを提案する。 新たに設計された動的ガウス混合分布が特徴であり、クラスタリング構造のダイナミクスを捉えている。 帰納的解析を可能にするために構造化推論ネットワークも設計されている。
  論文  参考訳（メタデータ） (2021-03-03T04:10:07Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• Latent space models for multiplex networks with shared structure [3.602377086789099]
  共有ノード上で観測される多重ネットワークのための新しい潜在空間モデルを提案する。 我々のモデルは、どれだけのネットワーク構造が層間で共有されているかのデータから学び、層間で情報をプールする。 シミュレーションネットワークやマルチプレックスネットワークにおいて,農作物の世界的な取引を記述したモデルと競合する手法を比較した。
  論文  参考訳（メタデータ） (2020-12-28T18:42:19Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• Monotone operator equilibrium networks [97.86610752856987]
  我々はモノトン作用素の理論に基づく新しい暗黙深度モデル、モノトン演算子平衡ネットワーク(monDEQ)を開発した。 暗黙的ネットワークの平衡点の発見と単調作用素分割問題の解法との密接な関係を示す。 次に、ネットワークのパラメータ化を開発し、全ての作用素が単調であり続けることを保証し、ユニークな平衡点の存在を保証する。
  論文  参考訳（メタデータ） (2020-06-15T17:57:31Z)
• Multivariate time-series modeling with generative neural networks [0.0]
  多変量時系列(MTS)の連立革新分布の依存モデルとして生成モーメントマッチングネットワーク(GMMN)を導入する GMMNは、非常に柔軟でシミュレートが容易であり、コプラ-GARCHアプローチに対する大きな利点である。
  論文  参考訳（メタデータ） (2020-02-25T03:26:52Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。