論文の概要: HyperDet: Source Detection in Hypergraphs via Interactive Relationship Construction and Feature-rich Attention Fusion

• arxiv url: http://arxiv.org/abs/2505.12894v1
• Date: Mon, 19 May 2025 09:27:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.513509
• Title: HyperDet: Source Detection in Hypergraphs via Interactive Relationship Construction and Feature-rich Attention Fusion
• Title（参考訳）: HyperDet:対話型関係構築と特徴豊富な注意融合によるハイパーグラフのソース検出
• Authors: Le Cheng, Peican Zhu, Yangming Guo, Keke Tang, Chao Gao, Zhen Wang,
• Abstract要約: ハイパーグラフはソーシャルネットワークに優れたモデリング機能を提供する。 本稿では,対話型関係構築と特徴豊富な注意融合によるハイパーグラフ(HyperDet)のソース検出手法を提案する。
• 参考スコア（独自算出の注目度）: 14.506674165610987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypergraphs offer superior modeling capabilities for social networks, particularly in capturing group phenomena that extend beyond pairwise interactions in rumor propagation. Existing approaches in rumor source detection predominantly focus on dyadic interactions, which inadequately address the complexity of more intricate relational structures. In this study, we present a novel approach for Source Detection in Hypergraphs (HyperDet) via Interactive Relationship Construction and Feature-rich Attention Fusion. Specifically, our methodology employs an Interactive Relationship Construction module to accurately model both the static topology and dynamic interactions among users, followed by the Feature-rich Attention Fusion module, which autonomously learns node features and discriminates between nodes using a self-attention mechanism, thereby effectively learning node representations under the framework of accurately modeled higher-order relationships. Extensive experimental validation confirms the efficacy of our HyperDet approach, showcasing its superiority relative to current state-of-the-art methods.
• Abstract（参考訳）: ハイパーグラフはソーシャルネットワークの優れたモデリング機能を提供し、特に噂の伝播において対の相互作用を超えて広がるグループ現象を捉えている。 噂ソース検出における既存のアプローチは主に、より複雑な関係構造の複雑さに不十分に対処するダイアディック相互作用に焦点を当てている。 本研究では,対話型関係構築と機能豊富な注意融合によるハイパーグラフ(HyperDet)のソース検出手法を提案する。 具体的には,ユーザ間の静的なトポロジと動的相互作用の両方を正確にモデル化するための対話的関係構築モジュールを用いて,ノードの特徴を自律的に学習し,自己認識機構を用いてノード間の識別を行い,高次関係を正確にモデル化したフレームワーク下でノード表現を効果的に学習する機能豊富な注意融合モジュールを用いる。 広汎な実験的検証はHyperDetアプローチの有効性を確認し、現在の最先端手法と比較してその優位性を示している。

関連論文リスト

• Community and hyperedge inference in multiple hypergraphs [9.782518418521175]
  複数のハイパーグラフ間の相互接続を利用して、複数の高階システムから統合された情報を合成する方法を示す。 ブロックモデルに基づくモデルを提案し、複数のハイパーグラフからの情報を統合し、潜在高次構造を明らかにする。 我々の研究は、複数のハイパーグラフを解析するための実用的で柔軟なツールを提供し、現実世界の高階システムにおける組織の理解を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-05-08T05:52:41Z)
• Perfect Clustering in Nonuniform Hypergraphs [2.2252684361733293]
  相互作用ハイパーグラフと呼ばれるハイパーグラフを解析するためのハイパーエッジ中心モデルを提案する。 相互作用が十分に観測されたら、相互作用潜在位置のスペクトル推定が完全なクラスタリングを実現することができることを示す。
  論文  参考訳（メタデータ） (2025-04-11T21:12:48Z)
• Learnable Expansion of Graph Operators for Multi-Modal Feature Fusion [32.09145985103859]
  コンピュータビジョンタスクでは、様々な表現、ドメイン、モダリティから特徴が生まれる。 関係グラフを構成することにより,高言語の特徴空間から低次元の解釈可能なグラフ空間へシフトする。 ビデオ異常検出におけるグラフベース融合法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-02T12:58:55Z)
• Deep Representation Learning for Forecasting Recursive and Multi-Relational Events in Temporal Networks [12.142292322071299]
  この研究は、マルチリレーショナルで再帰的な高次相互作用イベントを予測する問題に対処する。 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。 本研究では,モデルパラメータを学習するためのノイズコントラスト推定法を開発し,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した。
  論文  参考訳（メタデータ） (2024-04-27T15:46:54Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• EvolveHypergraph: Group-Aware Dynamic Relational Reasoning for Trajectory Prediction [39.66755326557846]
  本稿では,動的に進化する関係構造を明示的に推論したグループ認識型関係推論手法(Hypergraph)を提案する。 提案手法は, 説明可能な, 合理的なグループ認識関係を推定し, 長期予測における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-08-10T17:57:10Z)
• 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。