論文の概要: Event-Aware Prompt Learning for Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2510.11339v1
• Date: Mon, 13 Oct 2025 12:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.358967
• Title: Event-Aware Prompt Learning for Dynamic Graphs
• Title（参考訳）: 動的グラフのためのイベント認識型プロンプト学習
• Authors: Xingtong Yu, Ruijuan Liang, Xinming Zhang, Yuan Fang,
• Abstract要約: イベント対応動的グラフプロンプト学習フレームワークであるEVPを提案する。 本稿では,これらのイベントの微粒化特性を下流タスクと整合させるイベント適応機構を提案する。 次に,歴史的知識をノード表現に効果的に統合するイベント集約機構を提案する。
• 参考スコア（独自算出の注目度）: 14.17492028221679
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world graph typically evolve via a series of events, modeling dynamic interactions between objects across various domains. For dynamic graph learning, dynamic graph neural networks (DGNNs) have emerged as popular solutions. Recently, prompt learning methods have been explored on dynamic graphs. However, existing methods generally focus on capturing the relationship between nodes and time, while overlooking the impact of historical events. In this paper, we propose EVP, an event-aware dynamic graph prompt learning framework that can serve as a plug-in to existing methods, enhancing their ability to leverage historical events knowledge. First, we extract a series of historical events for each node and introduce an event adaptation mechanism to align the fine-grained characteristics of these events with downstream tasks. Second, we propose an event aggregation mechanism to effectively integrate historical knowledge into node representations. Finally, we conduct extensive experiments on four public datasets to evaluate and analyze EVP.
• Abstract（参考訳）: 現実世界のグラフは通常、一連のイベントを通じて進化し、様々な領域にわたるオブジェクト間の動的相互作用をモデル化する。 動的グラフ学習では、動的グラフニューラルネットワーク(DGNN)が一般的なソリューションとして登場している。 近年,動的グラフ上での即時学習法が検討されている。 しかし、既存の手法は一般的に、歴史的事象の影響を見越しながら、ノードと時間の関係を捉えることに重点を置いている。 本稿では,イベント対応動的グラフプロンプト学習フレームワークであるEVPを提案する。 まず、各ノードごとに一連の履歴イベントを抽出し、これらのイベントのきめ細かい特性を下流タスクと整合させるイベント適応機構を導入する。 次に,歴史的知識をノード表現に効果的に統合するイベント集約機構を提案する。 最後に、4つの公開データセットに関する広範な実験を行い、EVPを評価し分析する。

関連論文リスト

• Node-Time Conditional Prompt Learning In Dynamic Graphs [14.62182210205324]
  DYGPROMPTは動的グラフモデリングのための新しい事前学習および迅速な学習フレームワークである。 我々はノードと時間の特徴が相互に特徴付けることを認識し、下流タスクにおけるノード時間パターンの進化をモデル化するための2つの条件ネットを提案する。
  論文  参考訳（メタデータ） (2024-05-22T19:10:24Z)
• 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)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
  マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。 長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
  論文  参考訳（メタデータ） (2023-08-10T01:24:25Z)
• Deep graph kernel point processes [17.74234892097879]
  本稿では,グラフ上の離散的なイベントデータに対する新たなポイントプロセスモデルを提案する。 キーとなるアイデアは、グラフニューラルネットワーク(GNN)による影響カーネルを表現して、基盤となるグラフ構造をキャプチャすることだ。 ニューラルネットワークを用いた条件強度関数を直接モデル化することに焦点を当てた以前の研究と比較して、カーネルのプレゼンテーションでは、繰り返し発生する事象の影響パターンをより効果的に表現している。
  論文  参考訳（メタデータ） (2023-06-20T06:15:19Z)
• Learning Action-Effect Dynamics from Pairs of Scene-graphs [50.72283841720014]
  本稿では,画像のシーングラフ表現を利用して,自然言語で記述された行動の効果を推論する手法を提案する。 提案手法は,既存のモデルと比較して,性能,データ効率,一般化能力の点で有効である。
  論文  参考訳（メタデータ） (2022-12-07T03:36:37Z)
• Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)
• Event Detection on Dynamic Graphs [4.128347119808724]
  イベント検出は、グラフ分析アプリケーションにおいて、タイムリーな意思決定にとって重要なタスクである。 動的グラフ上でのイベント検出のための,単純かつ斬新な深層学習モデルDyGEDを提案する。
  論文  参考訳（メタデータ） (2021-10-23T05:52:03Z)
• 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)

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。