論文の概要: Contrastive Sequential Interaction Network Learning on Co-Evolving Riemannian Spaces

• arxiv url: http://arxiv.org/abs/2401.01243v1
• Date: Tue, 2 Jan 2024 15:19:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-01-03 13:34:48.142540
• Title: Contrastive Sequential Interaction Network Learning on Co-Evolving Riemannian Spaces
• Title（参考訳）: 共進化リーマン空間におけるコントラスト系列相互作用ネットワーク学習
• Authors: Li Sun, Junda Ye, Jiawei Zhang, Yong Yang, Mingsheng Liu, Feiyang Wang, Philip S.Yu
• Abstract要約: 本稿では,Riemann空間を共進化させるCSINCEREにおける逐次相互作用ネットワーク学習のための新しいコントラストモデルを提案する。 CSINCEREでは、表現空間を横断するメッセージパッシングのためのクロススペースアグリゲーションを定式化する。 また、時間とともに空間の進化をモデル化するためのリッチ曲率に基づくニューラル曲率推定器を設計する。
• 参考スコア（独自算出の注目度）: 44.175106851212874
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The sequential interaction network usually find itself in a variety of applications, e.g., recommender system. Herein, inferring future interaction is of fundamental importance, and previous efforts are mainly focused on the dynamics in the classic zero-curvature Euclidean space. Despite the promising results achieved by previous methods, a range of significant issues still largely remains open: On the bipartite nature, is it appropriate to place user and item nodes in one identical space regardless of their inherent difference? On the network dynamics, instead of a fixed curvature space, will the representation spaces evolve when new interactions arrive continuously? On the learning paradigm, can we get rid of the label information costly to acquire? To address the aforementioned issues, we propose a novel Contrastive model for Sequential Interaction Network learning on Co-Evolving RiEmannian spaces, CSINCERE. To the best of our knowledge, we are the first to introduce a couple of co-evolving representation spaces, rather than a single or static space, and propose a co-contrastive learning for the sequential interaction network. In CSINCERE, we formulate a Cross-Space Aggregation for message-passing across representation spaces of different Riemannian geometries, and design a Neural Curvature Estimator based on Ricci curvatures for modeling the space evolvement over time. Thereafter, we present a Reweighed Co-Contrast between the temporal views of the sequential network, so that the couple of Riemannian spaces interact with each other for the interaction prediction without labels. Empirical results on 5 public datasets show the superiority of CSINCERE over the state-of-the-art methods.
• Abstract（参考訳）: シーケンシャルなインタラクションネットワークは通常,レコメンダシステムなど,さまざまなアプリケーションで使用されている。 ここで、将来の相互作用を推測することは基本的な重要性であり、以前の取り組みは主に古典的零曲率ユークリッド空間の力学に焦点を当てている。 両部的な性質では、ユーザとアイテムノードを、固有の違いに関わらず、ひとつの同じ空間に配置することは適切か? ネットワーク力学では、固定曲率空間の代わりに、新しい相互作用が連続的に現れるとき、表現空間は進化するのか? 学習パラダイムでは、ラベル情報を入手するのにコストがかかるのか? 上記の問題に対処するために, CSINCERE を用いた連続相互作用ネットワーク学習のための新しいコントラストモデルを提案する。 我々の知る限り、我々は、単一の空間や静的空間ではなく、複数の共進化表現空間を初めて導入し、シーケンシャルな相互作用ネットワークのための共競合学習を提案する。 CSINCEREでは、異なるリーマン幾何学の表現空間を横断するメッセージパッシングのためのクロススペースアグリゲーションを定式化し、リッチ曲率に基づくニューラル曲率推定器を設計し、時間とともに空間の進化をモデル化する。 その後,シーケンシャルネットワークの時間的視点の相互相関性が向上し,二つのリーマン空間がラベル無しの相互作用予測のために相互に相互作用することを示す。 5つの公開データセットの実証結果は、最先端の手法よりもCSINCEREの方が優れていることを示している。

関連論文リスト

• Infinite-Dimensional Feature Interaction [22.694922451810495]
  InfiNetはRBFカーネルによって作成された無限次元空間内での機能相互作用を可能にするモデルアーキテクチャである。 実験の結果,InfiNetは無限次元の相互作用を活用できるため,新たな最先端技術を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-05-22T20:17:22Z)
• RCoCo: Contrastive Collective Link Prediction across Multiplex Network in Riemannian Space [20.85587272424559]
  マルチプレクサネットワークにおける幾何対応型集合リンク予測の課題について検討する。 この問題に対処するために,ネットワーク内およびネットワーク間動作を協調する新しいコントラストモデルRCoCoを提案する。 実世界の8つのデータセットに対して,14の強いベースラインを用いた広範な実験を行い,RCoCoの有効性を示した。
  論文  参考訳（メタデータ） (2024-03-04T09:20:05Z)
• Spatial-Temporal Knowledge-Embedded Transformer for Video Scene Graph Generation [64.85974098314344]
  映像シーングラフ生成(VidSGG)は、映像シーン内の物体を特定し、その映像との関係を推測することを目的としている。 因みに、オブジェクトペアとその関係は、各画像内の空間的共起相関と、異なる画像間の時間的一貫性/遷移相関を享受する。 本稿では,従来の空間的時間的知識をマルチヘッド・クロスアテンション機構に組み込んだ時空間的知識埋め込み型トランス (STKET) を提案する。
  論文  参考訳（メタデータ） (2023-09-23T02:40:28Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• SINCERE: Sequential Interaction Networks representation learning on Co-Evolving RiEmannian manifolds [9.710773626459718]
  SINCEREは、共進化リーマン多様体上の逐次相互作用ネットワークを表す新しい方法である。 ユーザーとアイテムをそれぞれの空間に埋め込んだ軌跡を考慮に入れ、時間とともに曲率がどのように変化するかという空間の進化を強調する。 いくつかの実世界のデータセットの実験は、最先端のシーケンシャル相互作用予測法に対してSINCEREの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-05-06T00:38:29Z)
• A Self-supervised Mixed-curvature Graph Neural Network [76.3790248465522]
  自己教師型混合曲率グラフニューラルネットワーク(SelfMGNN)を提案する。 我々は、SelfMGNNが現実の複雑なグラフ構造をキャプチャし、最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2021-12-10T08:56:55Z)
• On the Inclusion of Spatial Information for Spatio-Temporal Neural Networks [0.0]
  空間的近接性、隣接性、相関性に基づいてニューラルネットワークのアーキテクチャを定義することは一般的である。 一般的な方法として、もし空間情報が入手できない、あるいはモデルを導入するのにコストがかかりすぎる場合、モデルに余分なステップに依存しないものとして学習することが挙げられる。 以上の結果から,従来の空間情報の典型的含みは,ほとんどの場合,必ずしも必要ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-15T09:18:47Z)
• 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。