論文の概要: A Graph Regularized Point Process Model For Event Propagation Sequence

• arxiv url: http://arxiv.org/abs/2211.11758v1
• Date: Mon, 21 Nov 2022 04:49:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 16:50:26.259095
• Title: A Graph Regularized Point Process Model For Event Propagation Sequence
• Title（参考訳）: イベント伝播系列のためのグラフ正規化点過程モデル
• Authors: Siqiao Xue, Xiaoming Shi, Hongyan Hao, Lintao Ma, Shiyu Wang, Shijun Wang, James Zhang
• Abstract要約: ポイントプロセスは、不規則な間隔で発生するイベントシーケンスをモデル化するための支配的なパラダイムである。 本稿では,隣接ノード間のイベントインタラクションを特徴付けるグラフ正規化ポイントプロセスを提案する。 グラフ正規化法を適用することにより、GRPPはノード間の影響強度を明らかにすることによってモデル解釈可能性を提供する。
• 参考スコア（独自算出の注目度）: 2.9093633827040724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point process is the dominant paradigm for modeling event sequences occurring at irregular intervals. In this paper we aim at modeling latent dynamics of event propagation in graph, where the event sequence propagates in a directed weighted graph whose nodes represent event marks (e.g., event types). Most existing works have only considered encoding sequential event history into event representation and ignored the information from the latent graph structure. Besides they also suffer from poor model explainability, i.e., failing to uncover causal influence across a wide variety of nodes. To address these problems, we propose a Graph Regularized Point Process (GRPP) that can be decomposed into: 1) a graph propagation model that characterizes the event interactions across nodes with neighbors and inductively learns node representations; 2) a temporal attentive intensity model, whose excitation and time decay factors of past events on the current event are constructed via the contextualization of the node embedding. Moreover, by applying a graph regularization method, GRPP provides model interpretability by uncovering influence strengths between nodes. Numerical experiments on various datasets show that GRPP outperforms existing models on both the propagation time and node prediction by notable margins.
• Abstract（参考訳）: ポイントプロセスは不規則な間隔で発生するイベントシーケンスをモデル化する主要なパラダイムである。 本稿では,ノードがイベントマーク(例えばイベントタイプ)を表す有向重み付きグラフでイベントシーケンスが伝播するグラフにおけるイベント伝搬の潜在ダイナミクスをモデル化することを目的とする。 既存の作業の多くは、シーケンシャルなイベント履歴をイベント表現にエンコードすることのみを検討しており、潜在グラフ構造からの情報を無視している。 さらに、モデル説明可能性の低さ、すなわち、さまざまなノードにまたがる因果的影響の解明に失敗している。 これらの問題に対処するため,我々はグラフ正規化点処理 (grpp) を提案する。 1) 隣接ノード間のイベントインタラクションを特徴付け,ノード表現を誘導的に学習するグラフ伝搬モデル。 2)現在の事象における過去の事象の励起および時間減衰係数が、ノード埋め込みの文脈化によって構築される時間的注意強度モデル。 さらに、グラフ正規化法を適用することにより、GRPPはノード間の影響強度を明らかにすることによってモデル解釈性を提供する。 様々なデータセット上での数値実験により、grppは有意なマージンによる伝播時間とノード予測の両方において既存のモデルよりも優れていることが示された。

関連論文リスト

• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Inference of Sequential Patterns for Neural Message Passing in Temporal Graphs [0.6562256987706128]
  HYPA-DBGNNは、グラフ上の時系列データにおける異常なシーケンシャルパターンの推論を組み合わせた、新しい2段階のアプローチである。 本手法は超幾何グラフアンサンブルを利用して1階グラフと高階グラフの両方において異常なエッジを同定する。 我々の研究は、時間的および因果配列異常を利用した統計的に情報を得たGNNを初めて導入した。
  論文  参考訳（メタデータ） (2024-06-24T11:41:12Z)
• Deep graph kernel point processes [19.382241594513374]
  本稿では,グラフ上の離散的なイベントデータに対する新たなポイントプロセスモデルを提案する。 キーとなるアイデアは、グラフニューラルネットワーク(GNN)による影響カーネルを表現して、基盤となるグラフ構造をキャプチャすることだ。 ニューラルネットワークを用いた条件強度関数を直接モデル化することに焦点を当てた以前の研究と比較して、カーネルのプレゼンテーションでは、繰り返し発生する事象の影響パターンをより効果的に表現している。
  論文  参考訳（メタデータ） (2023-06-20T06:15:19Z)
• A Diffusion Model for Event Skeleton Generation [32.288113334600595]
  イベントスケルトン生成は、一時的な複合イベントスキーマ誘導タスクにおける重要なステップである。 既存の手法はこのタスクをグラフ生成の観点から効果的に処理する。 これらの問題に対処する新しい拡散事象グラフモデル(DEGM)を提案する。
  論文  参考訳（メタデータ） (2023-05-27T12:19:21Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Event Detection on Dynamic Graphs [4.128347119808724]
  イベント検出は、グラフ分析アプリケーションにおいて、タイムリーな意思決定にとって重要なタスクである。 動的グラフ上でのイベント検出のための,単純かつ斬新な深層学習モデルDyGEDを提案する。
  論文  参考訳（メタデータ） (2021-10-23T05:52:03Z)
• Future is not One-dimensional: Graph Modeling based Complex Event Schema Induction for Event Prediction [90.75260063651763]
  本稿では、イベント、引数、時間的接続、引数関係を含むグラフベースのスキーマ表現であるテンポラル複合イベントの概念を紹介する。 イベントグラフを伴う6,399のドキュメントを含む新しいスキーマ学習コーパスをリリースし,手動でゴールドスキーマを構築した。
  論文  参考訳（メタデータ） (2021-04-13T16:41:05Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs [38.56057203198837]
  ホークスプロセスは、異なるイベントタイプで自己励起イベントシーケンスをモデリングする標準的な方法となっている。 本稿では,進化するグラフ列のダイナミクスを捉えることができるグラフホークス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） (2020-03-30T12:56:50Z)

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。