論文の概要: On Your Mark, Get Set, Predict! Modeling Continuous-Time Dynamics of Cascades for Information Popularity Prediction
- arxiv url: http://arxiv.org/abs/2409.16623v1
- Date: Wed, 25 Sep 2024 05:08:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 05:35:28.453301
- Title: On Your Mark, Get Set, Predict! Modeling Continuous-Time Dynamics of Cascades for Information Popularity Prediction
- Title（参考訳）: 情報人気予測のためのカスケードの連続時間ダイナミクスのモデル化
- Authors: Xin Jing, Yichen Jing, Yuhuan Lu, Bangchao Deng, Sikun Yang, Dingqi Yang,
- Abstract要約: 情報の普及を正確に予測する鍵は、基礎となる時間情報拡散過程を微妙にモデル化することにある。
本稿では,情報人気予測のために,カスケードの連続時間ダイナミクスをモデル化したConCatを提案する。
実世界の3つのデータセット上でConCatを評価するための広範な実験を行った。
- 参考スコア（独自算出の注目度）: 5.464598715181046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Information popularity prediction is important yet challenging in various domains, including viral marketing and news recommendations. The key to accurately predicting information popularity lies in subtly modeling the underlying temporal information diffusion process behind observed events of an information cascade, such as the retweets of a tweet. To this end, most existing methods either adopt recurrent networks to capture the temporal dynamics from the first to the last observed event or develop a statistical model based on self-exciting point processes to make predictions. However, information diffusion is intrinsically a complex continuous-time process with irregularly observed discrete events, which is oversimplified using recurrent networks as they fail to capture the irregular time intervals between events, or using self-exciting point processes as they lack flexibility to capture the complex diffusion process. Against this background, we propose ConCat, modeling the Continuous-time dynamics of Cascades for information popularity prediction. On the one hand, it leverages neural Ordinary Differential Equations (ODEs) to model irregular events of a cascade in continuous time based on the cascade graph and sequential event information. On the other hand, it considers cascade events as neural temporal point processes (TPPs) parameterized by a conditional intensity function which can also benefit the popularity prediction task. We conduct extensive experiments to evaluate ConCat on three real-world datasets. Results show that ConCat achieves superior performance compared to state-of-the-art baselines, yielding a 2.3%-33.2% improvement over the best-performing baselines across the three datasets.
- Abstract（参考訳）: 情報人気予測は、バイラルマーケティングやニュースレコメンデーションなど、様々な分野において重要であるが、難しい。
情報の人気を正確に予測する鍵は、ツイートのリツイートのような情報カスケードの観測イベントの背後にある、根底にある時間情報拡散プロセスを微妙にモデル化することにある。
この目的のために、既存のほとんどの手法では、最初の観測イベントから最後の観測イベントまでの時間的ダイナミクスを捉えるためにリカレントネットワークを採用するか、自励点プロセスに基づいた統計モデルを開発して予測する。
しかし、情報拡散は本質的には、不規則に観測された離散事象を伴う複雑な連続時間プロセスであり、イベント間の不規則な時間間隔を捉えなかったり、複雑な拡散過程を捉える柔軟性が欠如しているため、再帰的ネットワークを用いて過度に単純化される。
このような背景から,情報人気予測のためにカスケードの連続時間ダイナミクスをモデル化したConCatを提案する。
一方、ニューラル正規微分方程式(ODE)を利用して、カスケードグラフとシーケンシャルイベント情報に基づいて、カスケードの不規則事象を連続的にモデル化する。
一方,カスケードイベントを,条件付き強度関数によってパラメータ化されたニューラル・テンポラル・ポイント・プロセス(TPP)とみなす。
実世界の3つのデータセット上でConCatを評価するための広範な実験を行った。
その結果、ConCatは最先端のベースラインよりも優れたパフォーマンスを示し、3つのデータセットで最高のパフォーマンスのベースラインよりも2.3%-33.2%改善した。
関連論文リスト
- CasFT: Future Trend Modeling for Information Popularity Prediction with Dynamic Cues-Driven Diffusion Models [5.302417649818668]
本稿では,観測情報ニューラルズとODEを用いて抽出したダイナミックキューを活用して,未来増加傾向の発生を導出するCasFTを提案する。
3つの実世界のデータセットで実施された実験は、CasFTが最先端のアプローチと比較して予測精度を改善することを示した。
論文 参考訳（メタデータ） (2024-09-25T05:03:16Z) - HIP Network: Historical Information Passing Network for Extrapolation
Reasoning on Temporal Knowledge Graph [14.832067253514213]
今後の出来事を予測するために,歴史情報伝達(HIP)ネットワークを提案する。
本手法では,関係表現の更新を考慮し,上記の次元に対応する3つのスコアリング関数を採用する。
5つのベンチマークデータセットの実験結果は、HIPネットワークの優位性を示している。
論文 参考訳（メタデータ） (2024-02-19T11:50:30Z) - 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) - Interacting Diffusion Processes for Event Sequence Forecasting [20.380620709345898]
拡散生成モデルを組み込んだ新しい手法を提案する。
このモデルはシーケンス・ツー・シーケンスの予測を容易にし、過去のイベント・シーケンスに基づいた複数ステップの予測を可能にする。
提案手法は,TPPの長期予測において,最先端のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-26T22:17:25Z) - HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades [25.564185461383655]
情報カスケードの人気予測は、偽ニュースの特定や正確なレコメンデーションなど、多くのアプリケーションにとって重要である。
従来の機能ベースのメソッドは、ドメイン固有であり、新しいドメインへの一般化性に欠ける手作りの機能に依存している。
動的グラフモデリング手法を用いて,カスケードグラフ全体で動作するカスケード人気予測 (HierCas) のための階層型時間グラフ注意ネットワークを提案する。
論文 参考訳（メタデータ） (2023-10-20T01:55:10Z) - 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) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - 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) - Variational Neural Temporal Point Process [22.396329275957996]
時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。
推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。
我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
論文 参考訳（メタデータ） (2022-02-17T13:34:30Z) - Dynamic Hawkes Processes for Discovering Time-evolving Communities'
States behind Diffusion Processes [57.22860407362061]
拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。
提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
論文 参考訳（メタデータ） (2021-05-24T08:35:48Z) - 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。