論文の概要: HGCN(O): A Self-Tuning GCN HyperModel Toolkit for Outcome Prediction in Event-Sequence Data

• arxiv url: http://arxiv.org/abs/2507.22524v1
• Date: Wed, 30 Jul 2025 09:50:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.126403
• Title: HGCN(O): A Self-Tuning GCN HyperModel Toolkit for Outcome Prediction in Event-Sequence Data
• Title（参考訳）: HGCN(O):イベントシーケンスデータのアウトカム予測のための自己チューニングGCNハイパーモデルツールキット
• Authors: Fang Wang, Paolo Ceravolo, Ernesto Damiani,
• Abstract要約: イベントシーケンス予測のためのグラフ畳み込みネットワーク(GCN)モデルを用いた自己調整ツールキットHGCN(O)を提案する。 我々のツールキットは、ノードレベルの属性とグラフレベルの属性の異なるイベントシーケンスの複数のグラフ表現を統合する。 実験によると、GCNConvモデルはバランスの取れていないデータで排他的であり、全てのモデルはバランスの取れたデータで一貫して動作する。
• 参考スコア（独自算出の注目度）: 5.634923879819779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose HGCN(O), a self-tuning toolkit using Graph Convolutional Network (GCN) models for event sequence prediction. Featuring four GCN architectures (O-GCN, T-GCN, TP-GCN, TE-GCN) across the GCNConv and GraphConv layers, our toolkit integrates multiple graph representations of event sequences with different choices of node- and graph-level attributes and in temporal dependencies via edge weights, optimising prediction accuracy and stability for balanced and unbalanced datasets. Extensive experiments show that GCNConv models excel on unbalanced data, while all models perform consistently on balanced data. Experiments also confirm the superior performance of HGCN(O) over traditional approaches. Applications include Predictive Business Process Monitoring (PBPM), which predicts future events or states of a business process based on event logs.
• Abstract（参考訳）: イベントシーケンス予測のためのグラフ畳み込みネットワーク(GCN)モデルを用いた自己調整ツールキットHGCN(O)を提案する。 GCNの4つのアーキテクチャ(O-GCN, T-GCN, TP-GCN, TE-GCN)をGCNConv層とGraphConv層に分散し, ノードレベルの属性とグラフレベルの属性の異なる複数のイベントシーケンスのグラフ表現を統合し, エッジウェイトによる時間依存性を最適化し, バランスとバランスの取れたデータセットの予測精度と安定性を最適化する。 大規模な実験により、GCNConvモデルはバランスの取れていないデータで排他的であり、全てのモデルはバランスの取れたデータで一貫して動作することが示された。 実験は従来のアプローチよりもHGCN(O)の方が優れていることも確認した。 アプリケーションには予測ビジネスプロセスモニタリング(PBPM)が含まれており、イベントログに基づいて将来のイベントやビジネスプロセスの状態を予測する。

関連論文リスト

• Conditional Shift-Robust Conformal Prediction for Graph Neural Network [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの結果を予測する強力なツールとして登場した。 有効性にもかかわらず、GNNは堅牢な不確実性推定を提供する能力に制限がある。 本稿では,GNNに対する条件シフトロバスト(CondSR)の共形予測を提案する。
  論文  参考訳（メタデータ） (2024-05-20T11:47:31Z)
• Global Minima, Recoverability Thresholds, and Higher-Order Structure in GNNS [0.0]
  ランダムグラフ理論の観点から,グラフニューラルネットワーク(GNN)アーキテクチャの性能を解析する。 合成データにおける特定の高次構造と実データにおける経験的構造の混合が、GNNの性能に劇的な影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2023-10-11T17:16:33Z)
• GNN-SL: Sequence Labeling Based on Nearest Examples via GNN [50.55076156520809]
  グラフニューラルネットワークシーケンスラベリング(GNN-SL)を導入する。 GNN-SLは、トレーニングセット全体から取得した類似のタグ付け例でバニラシーケンスラベリングモデル出力を増強する。 我々は3つの典型的なシーケンスラベリングタスクについて様々な実験を行う。 GNN-SLはPKUの96.9(+0.2)、CITYUの98.3(+0.4)、MSRの98.5(+0.2)、CWSタスクのASの96.9(+0.2)を達成している。
  論文  参考訳（メタデータ） (2022-12-05T04:22:00Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)
• AdaGCN:Adaptive Boosting Algorithm for Graph Convolutional Networks on Imbalanced Node Classification [10.72543417177307]
  AdaGCNと呼ばれるアンサンブルモデルを提案する。このモデルでは,アダプティブ・ブーピング時のベース推定にグラフ畳み込みネットワーク(GCN)を用いる。 我々のモデルは、考慮すべきノード分類タスクのすべてにおいて、最先端のベースラインも改善します。
  論文  参考訳（メタデータ） (2021-05-25T02:43:31Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• DeeperGCN: All You Need to Train Deeper GCNs [66.64739331859226]
  グラフ畳み込みネットワーク(GCN)はグラフ上での表現学習の力で注目されている。 非常に深いレイヤを積み重ねることのできる畳み込みニューラルネットワーク(CNN)とは異なり、GCNはより深く進むと、勾配の消失、過度なスムース化、過度に適合する問題に悩まされる。 本稿では,非常に深いGCNを正常かつ確実に訓練できるDeeperGCNを提案する。
  論文  参考訳（メタデータ） (2020-06-13T23:00:22Z)
• Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
  Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。 我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。 我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
  論文  参考訳（メタデータ） (2020-03-05T13:05:27Z)

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。