論文の概要: Future Link Prediction Without Memory or Aggregation

• arxiv url: http://arxiv.org/abs/2505.19408v1
• Date: Mon, 26 May 2025 01:53:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.099885
• Title: Future Link Prediction Without Memory or Aggregation
• Title（参考訳）: メモリやアグリゲーションのない将来のリンク予測
• Authors: Lu Yi, Runlin Lei, Fengran Mo, Yanping Zheng, Zhewei Wei, Yuhang Ye,
• Abstract要約: 時間グラフの将来のリンク予測は、実世界の動的システムに広く適用可能な基本課題である。 既存のメソッドは通常、複雑なメモリとアグリゲーションモジュールに依存しますが、目に見えないエッジを扱うのに苦労しています。 本稿では,メモリやアグリゲーションモジュールを捨てるシンプルなアーキテクチャであるCRAFT(Cross-Attention based Future Link Predictor on Temporal Graphs)を提案する。
• 参考スコア（独自算出の注目度）: 25.066464612400768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Future link prediction on temporal graphs is a fundamental task with wide applicability in real-world dynamic systems. These scenarios often involve both recurring (seen) and novel (unseen) interactions, requiring models to generalize effectively across both types of edges. However, existing methods typically rely on complex memory and aggregation modules, yet struggle to handle unseen edges. In this paper, we revisit the architecture of existing temporal graph models and identify two essential but overlooked modeling requirements for future link prediction: representing nodes with unique identifiers and performing target-aware matching between source and destination nodes. To this end, we propose Cross-Attention based Future Link Predictor on Temporal Graphs (CRAFT), a simple yet effective architecture that discards memory and aggregation modules and instead builds on two components: learnable node embeddings and cross-attention between the destination and the source's recent interactions. This design provides strong expressive power and enables target-aware modeling of the compatibility between candidate destinations and the source's interaction patterns. Extensive experiments on diverse datasets demonstrate that CRAFT consistently achieves superior performance with high efficiency, making it well-suited for large-scale real-world applications.
• Abstract（参考訳）: 時間グラフの将来のリンク予測は、実世界の動的システムに広く適用可能な基本課題である。 これらのシナリオは、しばしば繰り返し(見える)と新しい(見えない)相互作用の両方を伴い、モデルが両方のタイプのエッジを効果的に一般化する必要がある。 しかし、既存のメソッドは一般的に複雑なメモリとアグリゲーションモジュールに依存しているが、目に見えないエッジを扱うのに苦労している。 本稿では、既存の時間グラフモデルのアーキテクチャを再検討し、将来のリンク予測に欠かせない2つのモデリング要件、すなわち、ユニークな識別子を持つノードを表現し、ソースノードと宛先ノード間のターゲット認識マッチングを実行する。 この目的のために,メモリとアグリゲーションモジュールを破棄し,学習可能なノード埋め込みと目的地とソースの最近のインタラクション間のクロスアポテンションという2つのコンポーネント上に構築する,シンプルで効果的なアーキテクチャであるCRAFT(Cross-Attention based Future Link Predictor on Temporal Graphs)を提案する。 この設計は、強力な表現力を提供し、候補の宛先とソースの相互作用パターンとの互換性をターゲット・アウェア・モデリングすることを可能にする。 多様なデータセットに対する大規模な実験により、CRAFTは高い効率で一貫して優れたパフォーマンスを達成し、大規模な現実世界のアプリケーションに適していることが示された。

関連論文リスト

• Towards Better Graph-based Cross-document Relation Extraction via Non-bridge Entity Enhancement and Prediction Debiasing [30.204313638661255]
  文書間関係抽出は,異なる文書に存在する対象エンティティ間の関係を予測することを目的としている。 本稿では,非ブリッジエンティティ拡張と予測バイアスを用いたグラフベースのクロスドキュメントREモデルを提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:08:28Z)
• 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-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• Generative Hierarchical Temporal Transformer for Hand Pose and Action Modeling [67.94143911629143]
  ハンドポーズとアクションをモデル化するための生成型Transformer VAEアーキテクチャを提案する。 手ポーズとアクションのセマンティックな依存性と時間的粒度を忠実にモデル化するために、我々はこのフレームワークを2つのケース化されたVAEブロックに分解する。 その結果,独立解よりも認識と予測の連成モデリングが向上することが示唆された。
  論文  参考訳（メタデータ） (2023-11-29T05:28:39Z)
• Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
  本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。 提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-04T06:42:33Z)
• Joint Modeling of Feature, Correspondence, and a Compressed Memory for Video Object Segmentation [47.7036344302777]
  現在のオブジェクトビデオ参照メソッドは、抽出-then-matchingのパイプラインに従う。 本稿では,共同機能モデリング,対応,圧縮メモリのための統合VOSフレームワークであるJointFormerを提案する。
  論文  参考訳（メタデータ） (2023-08-25T17:30:08Z)
• 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)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• 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。