論文の概要: DyGSSM: Multi-view Dynamic Graph Embeddings with State Space Model Gradient Update

• arxiv url: http://arxiv.org/abs/2505.09017v1
• Date: Tue, 13 May 2025 23:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.31992
• Title: DyGSSM: Multi-view Dynamic Graph Embeddings with State Space Model Gradient Update
• Title（参考訳）: DyGSSM: ステートスペースモデルのグラディエントアップデートを備えたマルチビュー動的グラフ埋め込み
• Authors: Bizhan Alipour Pijan, Serdar Bozdag,
• Abstract要約: 状態空間モデル勾配更新(DyGSSM)を用いたマルチビュー動的グラフ埋め込み法を提案する。 提案手法では,局所的な特徴抽出のためのグラフ畳み込みネットワーク(GCN)と,各スナップショットにおけるグローバルな特徴抽出のためのGRU(Gated Recurrent Unit)を組み合わせた。 5つの公開データセットの実験では、20例中17例で既存のベースラインと最先端(SOTA)メソッドよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Most of the dynamic graph representation learning methods involve dividing a dynamic graph into discrete snapshots to capture the evolving behavior of nodes over time. Existing methods primarily capture only local or global structures of each node within a snapshot using message-passing and random walk-based methods. Then, they utilize sequence-based models (e.g., transformers) to encode the temporal evolution of node embeddings, and meta-learning techniques to update the model parameters. However, these approaches have two limitations. First, they neglect the extraction of global and local information simultaneously in each snapshot. Second, they fail to consider the model's performance in the current snapshot during parameter updates, resulting in a lack of temporal dependency management. Recently, HiPPO (High-order Polynomial Projection Operators) algorithm has gained attention for their ability to optimize and preserve sequence history in State Space Model (SSM). To address the aforementioned limitations in dynamic graph representation learning, we propose a novel method called Multi-view Dynamic Graph Embeddings with State Space Model Gradient Update (DyGSSM). Our approach combines Graph Convolution Networks (GCN) for local feature extraction and random walk with Gated Recurrent Unit (GRU) for global feature extraction in each snapshot. We then integrate the local and global features using a cross-attention mechanism. Additionally, we incorporate an SSM based on HiPPO algorithm to account for long-term dependencies when updating model parameters, ensuring that model performance in each snapshot informs subsequent updates. Experiments on five public datasets show that our method outperforms existing baseline and state-of-the-art (SOTA) methods in 17 out of 20 cases.
• Abstract（参考訳）: 動的グラフ表現学習法の多くは、時間とともに進化するノードの振る舞いを捉えるために、動的グラフを離散スナップショットに分割する。 既存のメソッドは主に、メッセージパスとランダムウォークベースのメソッドを使用して、スナップショット内の各ノードのローカルまたはグローバル構造のみをキャプチャする。 次に、シーケンスベースのモデル(例えば、トランスフォーマー)を使用してノード埋め込みの時間的進化を符号化し、メタラーニング手法を使ってモデルのパラメータを更新する。 しかし、これらのアプローチには2つの制限がある。 まず、各スナップショットにおいてグローバルおよびローカル情報の抽出を同時に無視する。 第二に、パラメータ更新中に現在のスナップショットでモデルのパフォーマンスを考慮できないため、一時的な依存性管理が欠如している。 近年,HiPPO (High-order Polynomial Projection Operators) アルゴリズムが注目されている。 動的グラフ表現学習における上記の制限に対処するために、状態空間モデル勾配更新(DyGSSM)を用いたマルチビュー動的グラフ埋め込み(Multi-view Dynamic Graph Embeddings)という新しい手法を提案する。 提案手法では,局所的な特徴抽出のためのグラフ畳み込みネットワーク(GCN)と,各スナップショットにおけるグローバルな特徴抽出のためのGRU(Gated Recurrent Unit)を組み合わせた。 次に、クロスアテンションメカニズムを使用して、ローカル機能とグローバル機能を統合する。 さらに、HiPPOアルゴリズムに基づくSSMを組み込んで、モデルパラメータを更新する際の長期的依存関係を考慮し、各スナップショットにおけるモデルパフォーマンスがその後の更新を知らせる。 5つの公開データセットの実験では、20例中17例で既存のベースラインと最先端(SOTA)メソッドよりも優れていた。

関連論文リスト

• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Input Snapshots Fusion for Scalable Discrete-Time Dynamic Graph Neural Networks [27.616083395612595]
  本稿では,Hawkesプロセスとグラフニューラルネットワークを組み合わせることで,動的グラフの時間的および構造的パターンを効果的に捉えるSFDyGを提案する。 複数のスナップショットを1つの時間グラフに融合することで、SFDyGはスナップショットの数から計算複雑性を分離し、効率的なフルバッチとミニバッチのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-05-11T10:05:55Z)
• 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)
• Unified and Dynamic Graph for Temporal Character Grouping in Long Videos [31.192044026127032]
  ビデオ時間的キャラクタグループ化は、ビデオ内の主要なキャラクタの出現モーメントを、そのアイデンティティに応じて特定する。 最近の研究は、教師なしクラスタリングからグラフベースのクラスタリングへと進化してきた。 時間的文字グループ化のための統一動的グラフ(UniDG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-27T13:22:55Z)
• Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
  マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。 長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
  論文  参考訳（メタデータ） (2023-08-10T01:24:25Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling [2.3022070933226217]
  静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。 モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。 ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-12-06T08:19:15Z)
• 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)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)

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。