論文の概要: DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction

• arxiv url: http://arxiv.org/abs/2208.06794v1
• Date: Sun, 14 Aug 2022 06:51:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 13:08:11.298010
• Title: DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction
• Title（参考訳）: disenhcn:時空間活動予測のためのハイパーグラフ畳み込みネットワーク
• Authors: Yinfeng Li, Chen Gao, Quanming Yao, Tong Li, Depeng Jin, Yong Li
• Abstract要約: 本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
• 参考スコア（独自算出の注目度）: 53.76601630407521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal activity prediction, aiming to predict user activities at a specific location and time, is crucial for applications like urban planning and mobile advertising. Existing solutions based on tensor decomposition or graph embedding suffer from the following two major limitations: 1) ignoring the fine-grained similarities of user preferences; 2) user's modeling is entangled. In this work, we propose a hypergraph neural network model called DisenHCN to bridge the above gaps. In particular, we first unify the fine-grained user similarity and the complex matching between user preferences and spatiotemporal activity into a heterogeneous hypergraph. We then disentangle the user representations into different aspects (location-aware, time-aware, and activity-aware) and aggregate corresponding aspect's features on the constructed hypergraph, capturing high-order relations from different aspects and disentangles the impact of each aspect for final prediction. Extensive experiments show that our DisenHCN outperforms the state-of-the-art methods by 14.23% to 18.10% on four real-world datasets. Further studies also convincingly verify the rationality of each component in our DisenHCN.
• Abstract（参考訳）: 特定の場所と時間におけるユーザアクティビティの予測を目的とした時空間活動予測は,都市計画やモバイル広告といったアプリケーションに不可欠である。 テンソル分解やグラフ埋め込みに基づく既存の解は、以下の2つの大きな制限に悩まされる。 1) ユーザの嗜好のきめ細かい類似性を無視すること 2) ユーザのモデリングは絡み合っている。 本研究では,上記のギャップを埋めるために,disenhcnと呼ばれるハイパーグラフニューラルネットワークモデルを提案する。 特に,まず,細粒度のユーザ類似性と,ユーザ嗜好と時空間活動の複雑なマッチングを,不均一なハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約し、異なるアスペクトから高次関係をキャプチャし、各アスペクトの影響を最終予測のためにアンハングルする。 大規模な実験により、DisenHCNは4つの実世界のデータセットで最先端の手法を14.23%から18.10%上回った。 さらなる研究は、DisenHCNの各コンポーネントの合理性も確実に検証する。

関連論文リスト

• UnityGraph: Unified Learning of Spatio-temporal features for Multi-person Motion Prediction [13.052342503276936]
  多対人動作予測は、重要な実世界の応用を持つ複雑な新興分野である。 本稿では,複数の時間的特徴を全体として扱う新しいグラフ構造UnityGraphを提案し,モデルコヒーレンスと結合時間的特徴を向上する。 提案手法は最先端の性能を達成し,その有効性と革新的な設計を実証する。
  論文  参考訳（メタデータ） (2024-11-06T08:05:36Z)
• Spatio-Temporal Attention Graph Neural Network for Remaining Useful Life Prediction [1.831835396047386]
  本研究では,時空間注意グラフニューラルネットワークを提案する。 本モデルでは,空間的・時間的特徴抽出のために,グラフニューラルネットワークと時間的畳み込みニューラルネットワークを組み合わせる。 C-MAPSSデータセットを用いて、クラスタリング正規化とクラスタリング正規化の影響を評価するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-01-29T08:49:53Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Learning Causal Effects on Hypergraphs [33.41001768564952]
  我々は因果性の観点からハイパーグラフを研究する。 本研究では,高次干渉モデルについて検討し,ハイパーグラフニューラルネットワークを用いた新たな因果学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T23:14:10Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Beyond the Gates of Euclidean Space: Temporal-Discrimination-Fusions and Attention-based Graph Neural Network for Human Activity Recognition [5.600003119721707]
  ウェアラブルデバイスによるヒューマンアクティビティ認識(HAR)は、フィットネストラッキング、ウェルネススクリーニング、生活支援など多くの応用により、大きな関心を集めている。 従来のディープラーニング(DL)は、HARドメインのアートパフォーマンスの状態を規定している。 提案手法はグラフニューラルネットワーク(GNN)を用いて,入力表現を構造化し,サンプル間の関係性を利用する手法である。
  論文  参考訳（メタデータ） (2022-06-10T03:04:23Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Development of Human Motion Prediction Strategy using Inception Residual Block [1.0705399532413613]
  Inception Residual Block (IRB) を提案する。 我々の主な貢献は、事前に観測されたポーズと次の予測されたポーズの間に連続性を持つように、入力と開始ブロックの出力の間の残差接続を提案することである。 提案したアーキテクチャでは、人間のポーズに関する事前知識をよりよく学習し、論文で詳述したよりはるかに高い予測精度を達成する。
  論文  参考訳（メタデータ） (2021-08-09T12:49:48Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。