論文の概要: SourceDetMamba: A Graph-aware State Space Model for Source Detection in Sequential Hypergraphs

• arxiv url: http://arxiv.org/abs/2505.12910v2
• Date: Wed, 04 Jun 2025 12:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 16:24:49.014546
• Title: SourceDetMamba: A Graph-aware State Space Model for Source Detection in Sequential Hypergraphs
• Title（参考訳）: SourceDetMamba:シークエンシャルハイパーグラフにおけるソース検出のためのグラフ対応状態空間モデル
• Authors: Le Cheng, Peican Zhu, Yangming Guo, Chao Gao, Zhen Wang, Keke Tang,
• Abstract要約: グラフのソース検出は、噂の出所を特定する上で高い有効性を示している。 機械学習ベースの手法の進歩にもかかわらず、多くの人は噂の伝播の本質的なダイナミクスを捉えられなかった。 SourceDetMamba: 逐次ハイパーグラフにおけるソース検出のためのグラフ対応状態空間モデルを提案する。
• 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: Source detection on graphs has demonstrated high efficacy in identifying rumor origins. Despite advances in machine learning-based methods, many fail to capture intrinsic dynamics of rumor propagation. In this work, we present SourceDetMamba: A Graph-aware State Space Model for Source Detection in Sequential Hypergraphs, which harnesses the recent success of the state space model Mamba, known for its superior global modeling capabilities and computational efficiency, to address this challenge. Specifically, we first employ hypergraphs to model high-order interactions within social networks. Subsequently, temporal network snapshots generated during the propagation process are sequentially fed in reverse order into Mamba to infer underlying propagation dynamics. Finally, to empower the sequential model to effectively capture propagation patterns while integrating structural information, we propose a novel graph-aware state update mechanism, wherein the state of each node is propagated and refined by both temporal dependencies and topological context. Extensive evaluations on eight datasets demonstrate that SourceDetMamba consistently outperforms state-of-the-art approaches.
• Abstract（参考訳）: グラフのソース検出は、噂の出所を特定する上で高い有効性を示している。 機械学習ベースの手法の進歩にもかかわらず、多くの人は噂の伝播の本質的なダイナミクスを捉えられなかった。 本稿では、この課題に対処するために、その優れたグローバルモデリング能力と計算効率で知られている状態空間モデルMambaの最近の成功を生かした、逐次ハイパーグラフのソース検出のためのグラフ対応状態空間モデル(sourceDetMamba: A Graph-aware State Space Model for Source Detection for Sequential Hypergraphs)を提案する。 具体的には、まずハイパーグラフを用いて、ソーシャルネットワーク内の高次相互作用をモデル化する。 その後、伝播過程中に発生した時間的ネットワークスナップショットを逆順にMambaに順次供給し、基礎となる伝播ダイナミクスを推測する。 最後に,各ノードの状態が時間的依存と位相的コンテキストの両方によって伝播・洗練される新しいグラフ対応状態更新機構を提案する。 8つのデータセットに対する大規模な評価は、SourceDetMambaが一貫して最先端のアプローチを上回っていることを示している。

関連論文リスト

• Adaptive State-Space Mamba for Real-Time Sensor Data Anomaly Detection [2.922256022514318]
  本稿では,リアルタイムセンサデータ異常検出のためのemphAdaptive State-Space Mambaフレームワークを提案する。 我々のアプローチは、迅速で信頼性の高い検出機能を必要とする他の時系列タスクに容易に適用できます。
  論文  参考訳（メタデータ） (2025-03-26T21:37:48Z)
• A Comparative Study on Dynamic Graph Embedding based on Mamba and Transformers [0.29687381456164]
  本研究では,変圧器と最近提案されたMambaアーキテクチャを用いた動的グラフ埋め込み手法の比較解析を行った。 グラフ畳み込みネットワークを用いたTransformerG2G Augment、グラフ同型ネットワークエッジ畳み込みを用いたmathcalDG-Mamba、mathcalGDG-Mambaの3つの新しいモデルを紹介した。 複数のベンチマークデータセットに対する実験により,Mambaベースのモデルが,リンク予測タスクにおけるトランスフォーマーベースのアプローチに匹敵する,あるいは優れた性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2024-12-15T19:56:56Z)
• 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)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• Graph-Mamba: Towards Long-Range Graph Sequence Modeling with Selective State Spaces [4.928791850200171]
  グラフネットワークにおける長期コンテキストモデリングを強化する最初の試みであるGraph-Mambaを紹介する。 グラフ中心のノード優先順位付けと置換戦略を定式化し、文脈認識推論を強化する。 10のベンチマークデータセットの実験により、Graph-Mambaは長距離グラフ予測タスクにおいて最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-01T17:21:53Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Graph-based Normalizing Flow for Human Motion Generation and Reconstruction [20.454140530081183]
  過去の情報と制御信号に基づく長地平線運動系列を合成・再構築する確率生成モデルを提案する。 足踏み解析と骨長解析を併用したモーションキャプチャデータセットを用いたモデル評価を行った。
  論文  参考訳（メタデータ） (2021-04-07T09:51:15Z)

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。