論文の概要: Interaction Event Forecasting in Multi-Relational Recursive HyperGraphs: A Temporal Point Process Approach
- arxiv url: http://arxiv.org/abs/2404.17943v1
- Date: Sat, 27 Apr 2024 15:46:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-30 18:32:14.055063
- Title: Interaction Event Forecasting in Multi-Relational Recursive HyperGraphs: A Temporal Point Process Approach
- Title（参考訳）: マルチリレーショナル再帰型ハイパーグラフにおけるインタラクションイベント予測:時間的ポイントプロセスアプローチ
- Authors: Tony Gracious, Ambedkar Dukkipati,
- Abstract要約: 本研究は,マルチリレーショナル再帰的ハイパーグラフにおける高次相互作用事象の予測問題に対処する。
提案したモデルであるtextitRelational Recursive Hyperedge Temporal Point Process (RRHyperTPP) は,歴史的相互作用パターンに基づいて動的ノード表現を学習するエンコーダを使用する。
我々は,従来のインタラクション予測手法よりも優れた性能を示すことを示す。
- 参考スコア（独自算出の注目度）: 12.142292322071299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling the dynamics of interacting entities using an evolving graph is an essential problem in fields such as financial networks and e-commerce. Traditional approaches focus primarily on pairwise interactions, limiting their ability to capture the complexity of real-world interactions involving multiple entities and their intricate relationship structures. This work addresses the problem of forecasting higher-order interaction events in multi-relational recursive hypergraphs. This is done using a dynamic graph representation learning framework that can capture complex relationships involving multiple entities. The proposed model, \textit{Relational Recursive Hyperedge Temporal Point Process} (RRHyperTPP) uses an encoder that learns a dynamic node representation based on the historical interaction patterns and then a hyperedge link prediction based decoder to model the event's occurrence. These learned representations are then used for downstream tasks involving forecasting the type and time of interactions. The main challenge in learning from hyperedge events is that the number of possible hyperedges grows exponentially with the number of nodes in the network. This will make the computation of negative log-likelihood of the temporal point process expensive, as the calculation of survival function requires a summation over all possible hyperedges. In our work, we use noise contrastive estimation to learn the parameters of our model, and we have experimentally shown that our models perform better than previous state-of-the-art methods for interaction forecasting.
- Abstract（参考訳）: 進化するグラフを用いて相互作用するエンティティのダイナミクスをモデル化することは、金融ネットワークやeコマースといった分野において重要な問題である。
伝統的なアプローチは、主にペアの相互作用に焦点を当て、複数の実体と複雑な関係構造を含む現実世界の相互作用の複雑さを捉える能力を制限する。
本研究は,マルチリレーショナル再帰的ハイパーグラフにおける高次相互作用事象の予測問題に対処する。
これは動的グラフ表現学習フレームワークを使用して行われ、複数のエンティティを含む複雑な関係をキャプチャすることができる。
提案モデルでは,履歴的相互作用パターンに基づいて動的ノード表現を学習するエンコーダを用いて,イベントの発生をモデル化するハイパーエッジリンク予測に基づくデコーダを提案する。
これらの学習された表現は、対話のタイプと時間を予測することを含む下流タスクに使用される。
ハイパーエッジイベントから学ぶ上での大きな課題は、ネットワーク内のノード数とともに、考えられるハイパーエッジの数が指数関数的に増加することだ。
これにより、生存関数の計算は、可能なすべてのハイパーエッジの和を必要とするため、時間点過程の負の対数類似性の計算が高価になる。
本研究では,ノイズコントラスト推定を用いてモデルのパラメータを学習し,従来のインタラクション予測手法よりも優れた性能を示すことを示す。
関連論文リスト
- An Effective-Efficient Approach for Dense Multi-Label Action Detection [23.100602876056165]
i)時間的依存関係と(ii)共起行動関係を同時に学習する必要がある。
近年のアプローチは階層型トランスフォーマーネットワークによるマルチスケール特徴抽出による時間情報のモデル化である。
我々はこれを階層設計における複数のサブサンプリングプロセスと組み合わせることで、位置情報のさらなる喪失につながると論じている。
論文 参考訳（メタデータ） (2024-06-10T11:33:34Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Neural Relational Inference with Fast Modular Meta-learning [25.313516707169498]
グラフニューラルネットワーク(GNN)は、実体と関係からなる多くの力学系に対して有効なモデルである。
リレーショナル推論は、これらの相互作用を推測し、観測データからダイナミクスを学習する問題である。
関係推論は、多くの課題を解決するために、ニューラルネットワークモジュールをさまざまな方法で構成するように訓練する、テクティモジュラーなメタラーニング問題である。
論文 参考訳（メタデータ） (2023-10-10T21:05:13Z) - Continuous-time convolutions model of event sequences [46.3471121117337]
イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。
我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。
COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
論文 参考訳（メタデータ） (2023-02-13T10:34:51Z) - Neural Temporal Point Processes for Forecasting Directional Relations in Evolving Hypergraphs [10.803714426078642]
汎用環境での方向性関係の予測問題に対する包括的解を提供する。
可能なハイパーエッジの数は、イベント時間毎のノード数で指数関数的である。
予測過程を複数の段階に分割する逐次生成手法を提案する。
論文 参考訳（メタデータ） (2023-01-28T14:32:14Z) - MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference,
Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。
103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。
実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
論文 参考訳（メタデータ） (2022-11-14T13:34:49Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - 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) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z) - 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。