論文の概要: Deep graph kernel point processes

• arxiv url: http://arxiv.org/abs/2306.11313v1
• Date: Tue, 20 Jun 2023 06:15:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 15:33:07.512406
• Title: Deep graph kernel point processes
• Title（参考訳）: ディープグラフカーネルポイントプロセス
• Authors: Zheng Dong, Matthew Repasky, Xiuyuan Cheng, Yao Xie
• Abstract要約: ポイントプロセスモデルは、グラフ内で発生する非同期な計算イベントを分析するために広く利用されている。 最近のニューラルポイントプロセスモデルでは、複雑なオブジェクト間の依存関係をキャプチャする可能性が明らかにされている。 本稿では,潜在グラフトポロジに基づいてイベント間相互作用が発生するグラフポイントプロセスを提案する。
• 参考スコア（独自算出の注目度）: 16.11060218280681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point process models are widely used to analyze asynchronous events occurring within a graph that reflect how different types of events influence one another. Predicting future events' times and types is a crucial task, and the size and topology of the graph add to the challenge of the problem. Recent neural point process models unveil the possibility of capturing intricate inter-event-category dependencies. However, such methods utilize an unfiltered history of events, including all event categories in the intensity computation for each target event type. In this work, we propose a graph point process method where event interactions occur based on a latent graph topology. The corresponding undirected graph has nodes representing event categories and edges indicating potential contribution relationships. We then develop a novel deep graph kernel to characterize the triggering and inhibiting effects between events. The intrinsic influence structures are incorporated via the graph neural network (GNN) model used to represent the learnable kernel. The computational efficiency of the GNN approach allows our model to scale to large graphs. Comprehensive experiments on synthetic and real-world data show the superior performance of our approach against the state-of-the-art methods in predicting future events and uncovering the relational structure among data.
• Abstract（参考訳）: ポイントプロセスモデルは、異なるタイプのイベントが相互にどのように影響するかを反映したグラフ内で発生する非同期イベントの分析に広く使用される。 将来のイベントの時間と型を予測することは重要なタスクであり、グラフのサイズとトポロジーが問題の課題となる。 最近のニューラルポイントプロセスモデルでは、複雑なオブジェクト間の依存関係をキャプチャする可能性がある。 しかし、これらの手法はイベントの未フィルタリング履歴を利用し、対象イベントタイプ毎の強度計算における全てのイベントカテゴリを含む。 本研究では,潜在グラフトポロジに基づいてイベント相互作用を発生させるグラフポイント処理手法を提案する。 対応する非方向グラフには、イベントカテゴリと潜在的コントリビューション関係を示すエッジを表すノードがある。 次に、イベント間のトリガと抑制を特徴付ける新しいディープグラフカーネルを開発する。 固有の影響構造は、学習可能なカーネルを表現するために使用されるグラフニューラルネットワーク(GNN)モデルを介して組み込まれている。 GNNアプローチの計算効率により、我々のモデルは大きなグラフにスケールできる。 合成および実世界のデータに関する総合的な実験は、未来の事象を予測し、データ間の関係構造を明らかにするための最先端手法に対する我々のアプローチの優れた性能を示している。

関連論文リスト

• DPCL-Diff: The Temporal Knowledge Graph Reasoning based on Graph Node Diffusion Model with Dual-Domain Periodic Contrastive Learning [3.645855411897217]
  二重領域周期性学習(DPCL-Diff)を用いたグラフノード拡散モデルを提案する。 GNDiffはノイズを疎結合なイベントに導入し、新しいイベントをシミュレートする。 DPCL-Diffは周期事象と非周期事象をポアンカー空間とユークリッド空間にマッピングし、それらの特徴を利用して類似の周期事象を効果的に区別する。
  論文  参考訳（メタデータ） (2024-11-03T08:30:29Z)
• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• A Graph Regularized Point Process Model For Event Propagation Sequence [2.9093633827040724]
  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。
  論文  参考訳（メタデータ） (2022-11-21T04:49:59Z)
• Spatio-temporal point processes with deep non-stationary kernels [18.10670233156497]
  我々は、非定常時間点過程をモデル化できる新しいディープ非定常影響カーネルを開発した。 主な考え方は、影響核を新しい一般的な低ランク分解と近似することである。 また,ログバリアペナルティを導入して条件強度の非負性制約を維持するための新たなアプローチも採っている。
  論文  参考訳（メタデータ） (2022-11-21T04:49:39Z)
• 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)
• Neural Spectral Marked Point Processes [18.507050473968985]
  本稿では、複雑な離散イベントを扱うための、ニューラルネットワークに基づく新規で汎用的な非定常影響カーネルを提案する。 提案手法は, 合成および実データにおける最先端技術と比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2021-06-20T23:00:37Z)
• 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)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。