論文の概要: Deep graph kernel point processes

• arxiv url: http://arxiv.org/abs/2306.11313v2
• Date: Wed, 4 Oct 2023 02:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 21:39:40.930995
• 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: 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以前の研究と比較して、カーネルのプレゼンテーションは繰り返し発生するイベントパターンをより効果的に表現する。
• 参考スコア（独自算出の注目度）: 19.382241594513374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point process models are widely used for continuous asynchronous event data, where each data point includes time and additional information called "marks", which can be locations, nodes, or event types. In this paper, we present a novel point process model for discrete event data over graphs, where the event interaction occurs within a latent graph structure. Our model builds upon the classic influence kernel-based formulation by Hawkes in the original self-exciting point processes work to capture the influence of historical events on future events' occurrence. The key idea is to represent the influence kernel by Graph Neural Networks (GNN) to capture the underlying graph structure while harvesting the strong representation power of GNN. Compared with prior works that focus on directly modeling the conditional intensity function using neural networks, our kernel presentation herds the repeated event influence patterns more effectively by combining statistical and deep models, achieving better model estimation/learning efficiency and superior predictive performance. Our work significantly extends the existing deep spatio-temporal kernel for point process data, which is inapplicable to our setting due to the fundamental difference in the nature of the observation space being Euclidean rather than a graph. We present comprehensive experiments on synthetic and real-world data to show the superior performance of the proposed approach against the state-of-the-art 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、連続した非同期イベントデータに広く使用され、各データポイントには、場所、ノード、イベントタイプといった「マーク」と呼ばれる時間と追加情報が含まれている。 本稿では,グラフ上の離散イベントデータに対する新しいポイントプロセスモデルを提案する。 我々のモデルは、ホークスによる初期の自己引用点過程における古典的な影響カーネルに基づく定式化に基づいており、将来の出来事の発生に対する歴史的な出来事の影響を捉えている。 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の表現であり、GNNの強力な表現能力を取得しながら、基盤となるグラフ構造をキャプチャする。 ニューラルネットワークを用いた条件付インテンシティ関数を直接モデル化する先行研究と比較し,統計モデルと深層モデルを組み合わせて,モデル推定/学習効率の向上と優れた予測性能を実現することにより,繰り返し発生する事象の影響パターンをより効果的にする。 本研究は,観測空間の性質がグラフではなくユークリッドであることの根本的な違いから,既存の点プロセスデータに対する深部時空間カーネルを著しく拡張する。 本稿では,合成データと実世界のデータに関する総合的な実験を行い,今後の事象予測とデータ間の関係構造を明らかにするための最先端手法の優れた性能を示す。

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。