論文の概要: Neural Temporal Point Process for Forecasting Higher Order and
Directional Interactions
- arxiv url: http://arxiv.org/abs/2301.12210v1
- Date: Sat, 28 Jan 2023 14:32:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 18:29:51.573648
- Title: Neural Temporal Point Process for Forecasting Higher Order and
Directional Interactions
- Title(参考訳): 高次・方向相互作用予測のためのニューラルテンポラリポイントプロセス
- Authors: Tony Gracious, Arman Gupta, Ambedkar Dukkipati
- Abstract要約: 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,まずイベントが観測されるノードを予測することにより,候補ハイパーエッジの探索空間を小さくする。
これは、高次指向性相互作用を予測する問題を解く最初の研究であると考えています。
- 参考スコア(独自算出の注目度): 7.347989843033033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world systems are made of interacting entities that evolve with time.
Creating models that can forecast interactions by learning the dynamics of
entities is an important problem in numerous fields. Earlier works used dynamic
graph models to achieve this. However, real-world interactions are more complex
than pairwise, as they involve more than two entities, and many of these
higher-order interactions have directional components. Examples of these can be
seen in communication networks such as email exchanges that involve a sender,
and multiple recipients, citation networks, where authors draw upon the work of
others, and so on. In this paper, we solve the problem of higher-order directed
interaction forecasting by proposing a deep neural network-based model
\textit{Directed HyperNode Temporal Point Process} for directed hyperedge event
forecasting, as hyperedge provides native framework for modeling relationships
among the variable number of nodes. Our proposed technique reduces the search
space of possible candidate hyperedges by first forecasting the nodes at which
events will be observed, based on which it generates candidate hyperedges. To
demonstrate the efficiency of our model, we curated four datasets and conducted
an extensive empirical study. We believe that this is the first work that
solves the problem of forecasting higher-order directional interactions.
- Abstract(参考訳): 現実世界のシステムは、時間とともに進化する相互作用する実体から成り立っている。
エンティティのダイナミクスを学習することでインタラクションを予測できるモデルを作成することは、多くの分野において重要な問題である。
初期の作業では、動的グラフモデルを使用してこれを実現した。
しかし、実世界の相互作用は2つ以上の実体を含むため、ペアワイズよりも複雑であり、これらの高次相互作用の多くは方向成分を持つ。
これらの例は、送信者や複数の受信者を含む電子メール交換や、著者が他人の仕事を描く引用ネットワークなど、コミュニケーションネットワークで見ることができる。
本稿では,ハイパーエッジがノードの変動数間の関係をモデル化するためのネイティブフレームワークを提供するため,超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ベースモデル \textit{Directed HyperNode Temporal Point Process} を提案することによって,高階指向インタラクション予測の問題を解決する。
提案手法は,まずイベントが観測されるノードを予測し,候補ハイパーエッジを生成することにより,候補ハイパーエッジの探索空間を削減する。
モデルの有効性を実証するため,4つのデータセットをキュレートし,広範な実験を行った。
これは、高次方向の相互作用を予測する問題を解決する最初の仕事だと信じています。
関連論文リスト
- Qualitative Prediction of Multi-Agent Spatial Interactions [5.742409080817885]
我々は,密集シーンにおけるマルチエージェントインタラクションをモデル化し,予測するための3つの新しいアプローチを提示し,ベンチマークする。
提案手法は、個々の相互作用を予測する静的および動的コンテキストを考慮したものである。
彼らはインプット・アンド・タイムアテンション・メカニズムを利用し、中・長期の地平線でテストされる。
論文 参考訳(メタデータ) (2023-06-30T18:08:25Z) - Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。
チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
論文 参考訳(メタデータ) (2022-10-17T07:16:44Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳(メタデータ) (2022-06-30T03:37:50Z) - Principled inference of hyperedges and overlapping communities in
hypergraphs [0.0]
本稿では,ハイパーグラフの構造的構造を特徴付けるための統計的推測に基づく枠組みを提案する。
我々は,ハイパーエッジ予測タスクにおいて強い性能を示し,相互作用によってもたらされる情報に順応したコミュニティの検出,ノイズの多いハイパーエッジの追加に対する堅牢性を示した。
論文 参考訳(メタデータ) (2022-04-12T09:13:46Z) - Dynamic Relation Discovery and Utilization in Multi-Entity Time Series
Forecasting [92.32415130188046]
多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。
本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフ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) (2022-02-18T11:37:04Z) - Dynamic Representation Learning with Temporal Point Processes for
Higher-Order Interaction Forecasting [8.680676599607123]
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。
論文 参考訳(メタデータ) (2021-12-19T14:24:37Z) - Predicting Influential Higher-Order Patterns in Temporal Network Data [2.5782420501870287]
最大距離までの全経路を考慮に入れながら,より高い距離での経路を無視する多階生成モデルMOGenに基づく8つの集中度尺度を提案する。
我々はMOGenがネットワークモデルとパスベースの予測の両方を一貫して上回ることを示す。
論文 参考訳(メタデータ) (2021-07-26T10:44:46Z) - End-to-end Contextual Perception and Prediction with Interaction
Transformer [79.14001602890417]
我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。
空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。
私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
論文 参考訳(メタデータ) (2020-08-13T14:30:12Z) - 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) - 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。