論文の概要: Spectral clustering for dependent community Hawkes process models of temporal networks

• arxiv url: http://arxiv.org/abs/2505.21845v1
• Date: Wed, 28 May 2025 00:25:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.338422
• Title: Spectral clustering for dependent community Hawkes process models of temporal networks
• Title（参考訳）: 時間ネットワークのコミュニティホークスプロセスモデルのためのスペクトルクラスタリング
• Authors: Lingfei Zhao, Hadeel Soliman, Kevin S. Xu, Subhadeep Paul,
• Abstract要約: 時間ネットワークは、しばしばノードペア間のコミュニティ構造と強い依存パターンを示す。 我々は、依存コミュニティホークス(DCH)モデルと呼ばれるモデルのクラスに対して統計結果を提供する。 事象数行列上のスペクトルクラスタリングの誤クラスタリング誤差の非漸近上界を導出する。
• 参考スコア（独自算出の注目度）: 4.574830585715128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal networks observed continuously over time through timestamped relational events data are commonly encountered in application settings including online social media communications, financial transactions, and international relations. Temporal networks often exhibit community structure and strong dependence patterns among node pairs. This dependence can be modeled through mutual excitations, where an interaction event from a sender to a receiver node increases the possibility of future events among other node pairs. We provide statistical results for a class of models that we call dependent community Hawkes (DCH) models, which combine the stochastic block model with mutually exciting Hawkes processes for modeling both community structure and dependence among node pairs, respectively. We derive a non-asymptotic upper bound on the misclustering error of spectral clustering on the event count matrix as a function of the number of nodes and communities, time duration, and the amount of dependence in the model. Our result leverages recent results on bounding an appropriate distance between a multivariate Hawkes process count vector and a Gaussian vector, along with results from random matrix theory. We also propose a DCH model that incorporates only self and reciprocal excitation along with highly scalable parameter estimation using a Generalized Method of Moments (GMM) estimator that we demonstrate to be consistent for growing network size and time duration.
• Abstract（参考訳）: タイムスタンプ付きリレーショナルイベントデータを通じて継続的に観測される時間ネットワークは、オンラインソーシャルメディアコミュニケーション、金融取引、国際関係などのアプリケーション設定でよく見られる。 時間ネットワークはしばしば、ノードペア間のコミュニティ構造と強い依存パターンを示す。 この依存は、送信者から受信者ノードへのインタラクションイベントが、他のノードペア間の将来のイベントの可能性を増加させる、相互励起を通じてモデル化することができる。 確率的ブロックモデルと相互にエキサイティングなホークスプロセスを組み合わせて,それぞれノードペア間のコミュニティ構造と依存の両方をモデル化する,依存型コミュニティホークスモデル(Dedependent Community Hawkes, DCH)のクラスに対する統計的結果を提供する。 イベントカウント行列上でのスペクトルクラスタリングの誤クラスタリング誤差を,ノード数とコミュニティ数,時間,モデル依存性量の関数として,非漸近上界を導出する。 この結果から,多変量ホークス過程数ベクトルとガウスベクトルとの適切な距離の有界化,および確率行列理論による結果が得られた。 また,自己と相互の励起のみを組み込んだDCHモデルと,ネットワークサイズと時間長の増大に一貫性があることを実証した一般化的モーメント推定器(GMM)を用いて,高度にスケーラブルなパラメータ推定を行う。

関連論文リスト

• Hierarchical Joint Graph Learning and Multivariate Time Series Forecasting [0.16492989697868887]
  本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。 我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。 提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2023-11-21T14:24:21Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• A Mutually Exciting Latent Space Hawkes Process Model for Continuous-time Networks [3.883893461313154]
  本稿では,ノードの潜在空間表現を用いた関係事象の連続時間ネットワークのための新しい生成モデルを提案する。 提案したLSHモデルは,相互性や推移性を含む実時間ネットワークで観測される多くの特徴を再現可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-19T00:56:12Z)
• The Multivariate Community Hawkes Model for Dependent Relational Events in Continuous-time Networks [3.55528500800612]
  ブロックモデル(SBM)は、ネットワークデータのための最も広く使われている生成モデルの一つである。 本稿では,マルチ変数コミュニティホークス(MULCH)モデルを提案する。 提案したMULCHモデルは,予測および予測生成タスクにおいて,既存のモデルよりもはるかに正確であることがわかった。
  論文  参考訳（メタデータ） (2022-05-02T04:08:44Z)
• Event2Graph: Event-driven Bipartite Graph for Multivariate Time-series Anomaly Detection [25.832983667044708]
  本稿では,時系列間の依存性を符号化する動的二部グラフ構造を提案する。 この設計に基づいて、時系列間の関係はイベントノードへの動的接続を通じて明示的にモデル化できる。
  論文  参考訳（メタデータ） (2021-08-15T17:50:37Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• 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)

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。