論文の概要: HyperEvent:Learning Cohesive Events for Large-scale Dynamic Link Prediction

• arxiv url: http://arxiv.org/abs/2507.11836v1
• Date: Wed, 16 Jul 2025 01:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.194232
• Title: HyperEvent:Learning Cohesive Events for Large-scale Dynamic Link Prediction
• Title（参考訳）: HyperEvent:大規模ダイナミックリンク予測のためのラーニング結合イベント
• Authors: Jian Gao, Jianshe Wu, JingYi Ding,
• Abstract要約: HyperEventは、ハイパーイベント認識として動的リンク予測を緩和するフレームワークである。 HyperEventの中心は、イベント相関ベクトルを用いた関連シーケンスの動的構築である。 HyperEventは、公式のリーダーボードで5つのデータセットのうち4つで最先端のメソッドをパフォーマンスします。
• 参考スコア（独自算出の注目度）: 1.4604134018640291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic link prediction in continuous-time dynamic graphs is a fundamental task for modeling evolving complex systems. Existing node-centric and event-centric methods focus on individual interactions or atomic states, failing to capture the structural cohesion of composite hyper-events, groups of causally related events. To address this, we propose HyperEvent, a framework reframing dynamic link prediction as hyper-event recognition. Central to HyperEvent is the dynamic construction of an association sequence using event correlation vectors. These vectors quantify pairwise dependencies between the query event and relevant historical events, thereby characterizing the structural cohesion of a potential hyper-event. The framework predicts the occurrence of the query event by evaluating whether it collectively forms a valid hyper-event with these historical events. Notably, HyperEvent outperforms state-of-the-art methods on 4 out of 5 datasets in the official leaderboard. For scalability, we further introduce an efficient parallel training algorithm that segments large event streams to enable concurrent training. Experiments validate HyperEvent's superior accuracy and efficiency on large-scale graphs. Among which HyperEvent achieves a 6.95% improvement in Mean Reciprocal Rank over state-of-the-art baseline on the large-scale Flight dataset while utilizing only 10.17% of the training time.
• Abstract（参考訳）: 連続時間動的グラフにおける動的リンク予測は、複雑なシステムの進化をモデル化するための基本的なタスクである。 既存のノード中心およびイベント中心の手法は、個々の相互作用や原子状態に焦点を当てており、因果関係の事象群である複合超イベントの構造的凝集を捉えていない。 これを解決するために,動的リンク予測をハイパーイベント認識とみなすフレームワークであるHyperEventを提案する。 HyperEventの中心は、イベント相関ベクトルを用いた関連シーケンスの動的構築である。 これらのベクトルは、クエリイベントと関連する履歴イベントの間のペアワイズ依存関係を定量化し、潜在的ハイパーイベントの構造的結合を特徴づける。 このフレームワークは、これらの履歴イベントに有効なハイパーイベントを集合的に形成するかどうかを評価することにより、クエリイベントの発生を予測する。 特に、HyperEventは、公式のリーダーボードで5つのデータセットのうち4つで最先端のメソッドを上回っている。 スケーラビリティのために,大規模なイベントストリームをセグメント化して並列トレーニングを可能にする,効率的な並列トレーニングアルゴリズムも導入する。 実験では、大規模なグラフ上でのHyperEventの優れた精度と効率を検証する。 このうちHyperEventは、大規模なフライトデータセットにおける最先端のベースラインよりも平均相互ランクが6.95%向上し、トレーニング時間の10.17%しか利用できない。

関連論文リスト

• SuperEvent: Cross-Modal Learning of Event-based Keypoint Detection [13.42760841894735]
  SuperEventは、表現力のある記述子で安定したキーポイントを予測するための、データ駆動のアプローチである。 我々は SuperEvent を,現代的なスパースキーポイントとディスクリプタベースのSLAM フレームワークに統合することで,その有用性を実証する。
  論文  参考訳（メタデータ） (2025-03-31T18:46:02Z)
• Towards Effective, Efficient and Unsupervised Social Event Detection in the Hyperbolic Space [54.936897625837474]
  この記事では、教師なしフレームワークHyperSED(Hyperbolic SED)を紹介します。 具体的には、まずソーシャルメッセージをセマンティックベースのメッセージアンカーにモデル化し、次にアンカーグラフの構造を利用する。 公開データセットの実験では、HyperSEDの競合性能と、大幅な効率向上が示されている。
  論文  参考訳（メタデータ） (2024-12-14T06:55:27Z)
• Scalable Event-by-event Processing of Neuromorphic Sensory Signals With Deep State-Space Models [2.551844666707809]
  イベントベースのセンサーはリアルタイム処理に適している。 現在の方法では、イベントをフレームに分解するか、イベントデータをイベント単位で直接処理する場合にスケールアップできない。
  論文  参考訳（メタデータ） (2024-04-29T08:50:27Z)
• 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)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• 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)
• Enhancing Asynchronous Time Series Forecasting with Contrastive Relational Inference [21.51753838306655]
  時間点プロセス(TPP)は、そのようなモデリングの標準的な方法である。 既存のTPPモデルは、イベントの相互作用を明示的にモデル化する代わりに、将来のイベントの条件分布に焦点を当てており、イベント予測の課題を示唆している。 本稿では,ニューラル推論(NRI)を利用して,観測データから動的パターンを同時に学習しながら,相互作用を推論するグラフを学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-06T09:47:03Z)
• 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)
• HyperHawkes: Hypernetwork based Neural Temporal Point Process [5.607676459156789]
  時間的ポイントプロセスは、連続した時間空間における時間間データのモデリングに不可欠なツールとして機能する。 動的環境における見えないシーケンスから事象を予測することは一般化できない。 ハイパーネットワークベースの時間的ポイントプロセスフレームワークである textitHyperHawkes を提案する。
  論文  参考訳（メタデータ） (2022-10-01T07:14:19Z)
• EA$^2$E: Improving Consistency with Event Awareness for Document-Level Argument Extraction [52.43978926985928]
  本稿では、トレーニングと推論のための拡張コンテキストを備えたイベント・アウェア・引数抽出(EA$2$E)モデルを紹介する。 WIKIEVENTSとACE2005データセットの実験結果から,EA$2$Eの有効性が示された。
  論文  参考訳（メタデータ） (2022-05-30T04:33:51Z)
• A Graph Enhanced BERT Model for Event Prediction [35.02248467245135]
  BERTモデルを用いたイベントグラフの自動構築について検討する。 我々は、トレーニングプロセスにおけるイベント接続を予測するために、追加の構造化変数をBERTに組み込んだ。 シナリオイベント予測とストーリー終了予測という2つのイベント予測タスクの結果は,我々のアプローチが最先端のベースライン手法より優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-22T13:37:38Z)
• ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer for Event-Centric Generation and Classification [74.6318379374801]
  本稿では,イベント中心推論のための一般相関対応コンテキスト・イベント変換器(ClarET)の事前学習を提案する。 提案されたClarETは、幅広いイベント中心の推論シナリオに適用できる。
  論文  参考訳（メタデータ） (2022-03-04T10:11:15Z)
• Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
  我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。 本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
  論文  参考訳（メタデータ） (2022-02-11T01:29:02Z)
• Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs [38.56057203198837]
  ホークスプロセスは、異なるイベントタイプで自己励起イベントシーケンスをモデリングする標準的な方法となっている。 本稿では,進化するグラフ列のダイナミクスを捉えることができるグラフホークスニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-30T12:56:50Z)

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。