論文の概要: Full-History Graphs with Edge-Type Decoupled Networks for Temporal Reasoning
- arxiv url: http://arxiv.org/abs/2508.03251v1
- Date: Tue, 05 Aug 2025 09:29:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:55.885299
- Title: Full-History Graphs with Edge-Type Decoupled Networks for Temporal Reasoning
- Title（参考訳）: エッジ型疎結合ネットワークを用いた時間共振用フルヒストリーグラフ
- Authors: Osama Mohammed, Jiaxin Pan, Mojtaba Nayyeri, Daniel Hernández, Steffen Staab,
- Abstract要約: 我々は、各時間ステップ毎に各エンティティの1つのノードをインスタンス化するフルヒストリーグラフを導入する。
運転注意予測(Waymo)とBitcoin不正検出(Elliptic++)で評価する。
これらの利得は、1つのグラフにおいて異なるエッジとして構造的および時間的関係を表す利点を示す。
- 参考スコア（独自算出の注目度）: 17.947342129593792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling evolving interactions among entities is critical in many real-world tasks. For example, predicting driver maneuvers in traffic requires tracking how neighboring vehicles accelerate, brake, and change lanes relative to one another over consecutive frames. Likewise, detecting financial fraud hinges on following the flow of funds through successive transactions as they propagate through the network. Unlike classic time-series forecasting, these settings demand reasoning over who interacts with whom and when, calling for a temporal-graph representation that makes both the relations and their evolution explicit. Existing temporal-graph methods typically use snapshot graphs to encode temporal evolution. We introduce a full-history graph that instantiates one node for every entity at every time step and separates two edge sets: (i) intra-time-step edges that capture relations within a single frame and (ii) inter-time-step edges that connect an entity to itself at consecutive steps. To learn on this graph we design an Edge-Type Decoupled Network (ETDNet) with parallel modules: a graph-attention module aggregates information along intra-time-step edges, a multi-head temporal-attention module attends over an entity's inter-time-step history, and a fusion module combines the two messages after every layer. Evaluated on driver-intention prediction (Waymo) and Bitcoin fraud detection (Elliptic++), ETDNet consistently surpasses strong baselines, lifting Waymo joint accuracy to 75.6\% (vs. 74.1\%) and raising Elliptic++ illicit-class F1 to 88.1\% (vs. 60.4\%). These gains demonstrate the benefit of representing structural and temporal relations as distinct edges in a single graph.
- Abstract（参考訳）: 実体間の相互作用の進化をモデル化することは、多くの現実世界のタスクにおいて重要である。
例えば、ドライバーの交通操作を予測するには、隣接する車両の加速、ブレーキ、車線変更を連続したフレームで追跡する必要がある。
同様に、金融詐欺の検出は、連続した取引を通じて資金の流れを辿り、ネットワークを介して伝播する。
古典的な時系列予測とは異なり、これらの設定は誰が誰といつ対話するかを推論し、その関係と進化を明示する時間グラフ表現を要求する。
既存の時間グラフ法は通常、時間進化を符号化するためにスナップショットグラフを使用する。
各ステップ毎に各エンティティの1つのノードをインスタンス化し、2つのエッジセットを分離する、フルヒストリーグラフを導入します。
(i)一フレーム内の関係を捉えた時間内エッジ
(ii) 連続的なステップでエンティティを自身に接続するステップ間エッジ。
グラフアテンションモジュールは、タイムステップ内のエッジに沿って情報を集約し、マルチヘッドの時間アテンションモジュールは、エンティティのタイムステップ間履歴に出席し、融合モジュールは、各レイヤの後に2つのメッセージを組み合わせる。
ドライバー意図予測(Waymo)とBitcoin不正検出(Elliptic++)に基づいて評価され、ETDNetは一貫して強力なベースラインを超え、Waymoのジョイント精度を75.6%(vs)に引き上げている。
74.1\%) と Elliptic++ illicit-class F1 を88.1\% (vs。
60.4 %)。
これらの利得は、1つのグラフにおける異なるエッジとして構造的および時間的関係を表現する利点を示す。
関連論文リスト
- T-Graphormer: Using Transformers for Spatiotemporal Forecasting [2.855856661274715]
T-Graphormerは、ルート平均二乗誤差(RMSE)と平均絶対パーセンテージ誤差(MAPE)を最大20%と10%削減する。
本稿では,T-Graphormerのリアルタイムトラフィック予測ベンチマークに対する有効性を示す。
論文 参考訳（メタデータ） (2025-01-22T23:32:29Z) - 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) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - Multi-Task Edge Prediction in Temporally-Dynamic Video Graphs [16.121140184388786]
MTD-GNNは,複数種類の関係に対して時間動的エッジを予測するグラフネットワークである。
時間-動的グラフネットワークにおける複数の関係をモデル化することは相互に有益であることを示す。
論文 参考訳（メタデータ） (2022-12-06T10:41:00Z) - 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) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳（メタデータ） (2022-06-07T09:08:35Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - GTEA: Inductive Representation Learning on Temporal Interaction Graphs
via Temporal Edge Aggregation [11.526912398475513]
時間的相互作用グラフ(TIG)の帰納学習のためのグラフ時間的エッジ集約フレームワークを提案する。
隣接ノードと対応するエッジの埋め込みの特徴を集約することにより、GTEAはTIGの位相的および時間的依存関係の両方を共同で学習する。
さらに, 隣接アグリゲーションに空間性誘導型自己注意スキームが組み込まれ, より重要で, GTEA の自明なノイズを抑制する。
論文 参考訳（メタデータ） (2020-09-11T07:52:05Z) - 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) - Understanding Dynamic Scenes using Graph Convolution Networks [22.022759283770377]
本稿では,移動カメラが捉えた時間順のフレーム列から道路車両の挙動をモデル化する新しい枠組みを提案する。
微調整に頼らずに複数のデータセットへの学習のシームレスな移行を示す。
このような振る舞い予測手法は,様々なナビゲーションタスクにおいて即時関連性を見出す。
論文 参考訳（メタデータ） (2020-05-09T13:05:06Z)
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。