論文の概要: GTR-Mamba: Geometry-to-Tangent Routing for Hyperbolic POI Recommendation

• arxiv url: http://arxiv.org/abs/2510.22942v1
• Date: Mon, 27 Oct 2025 02:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.424473
• Title: GTR-Mamba: Geometry-to-Tangent Routing for Hyperbolic POI Recommendation
• Title（参考訳）: GTR-Mamba: 双曲型POIレコメンデーションのための幾何-タンガントルーティング
• Authors: Zhuoxuan Li, Jieyuan Pei, Tangwei Ye, Zhongyuan Lai, Zihan Liu, Fengyuan Xu, Qi Zhang, Liang Hu,
• Abstract要約: GTR-Mambaはクロスマニフォールドコンディショニングとルーティングのための新しいフレームワークである。 これは、次のPOIレコメンデーションにおいて、最先端のベースラインモデルよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 19.900436178093027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next Point-of-Interest (POI) recommendation is a critical task in modern Location-Based Social Networks (LBSNs), aiming to model the complex decision-making process of human mobility to provide personalized recommendations for a user's next check-in location. Existing POI recommendation models, predominantly based on Graph Neural Networks and sequential models, have been extensively studied. However, these models face a fundamental limitation: they struggle to simultaneously capture the inherent hierarchical structure of spatial choices and the dynamics and irregular shifts of user-specific temporal contexts. To overcome this limitation, we propose GTR-Mamba, a novel framework for cross-manifold conditioning and routing. GTR-Mamba leverages the distinct advantages of different mathematical spaces for different tasks: it models the static, tree-like preference hierarchies in hyperbolic geometry, while routing the dynamic sequence updates to a novel Mamba layer in the computationally stable and efficient Euclidean tangent space. This process is coordinated by a cross-manifold channel that fuses spatio-temporal information to explicitly steer the State Space Model (SSM), enabling flexible adaptation to contextual changes. Extensive experiments on three real-world datasets demonstrate that GTR-Mamba consistently outperforms state-of-the-art baseline models in next POI recommendation.
• Abstract（参考訳）: Next Point-of-Interest(POI)レコメンデーションは、ユーザの次のチェックインロケーションに対してパーソナライズされたレコメンデーションを提供するために、人間のモビリティの複雑な意思決定プロセスをモデル化することを目的として、現代の位置情報ベースのソーシャルネットワーク(LBSNs)において重要なタスクである。 既存のPOIレコメンデーションモデルは、主にグラフニューラルネットワークとシーケンシャルモデルに基づいて、広範囲に研究されている。 しかし、これらのモデルは、空間選択の固有の階層構造と、ユーザ固有の時間的文脈のダイナミクスと不規則なシフトを同時に捉えるのに苦労する、根本的な制限に直面している。 この制限を克服するために, クロスマニフォールドコンディショニングとルーティングのための新しいフレームワークである GTR-Mamba を提案する。 GTR-Mambaは異なるタスクに対して異なる数学空間の異なる利点を生かし、これは双曲幾何学における木のような静的な選好階層をモデル化し、計算的に安定で効率的なユークリッド接点空間において新しいマンバ層に動的シークエンス更新をルーティングする。 このプロセスは、時空間情報を融合してステートスペースモデル(SSM)を明示的に操縦するクロスマニフォールドチャネルによって調整され、状況変化への柔軟な適応を可能にする。 3つの実世界のデータセットに対する大規模な実験により、GTR-Mambaは次のPOI勧告において、常に最先端のベースラインモデルより優れていることが示されている。

関連論文リスト

• Spacetime-GR: A Spacetime-Aware Generative Model for Large Scale Online POI Recommendation [31.53029907013095]
  本研究では,大規模オンラインPOS(Point-of-Interest)レコメンデーションのための時空対応生成モデルであるSpacetime-GRを提案する。 フレキシブルエンコーディングによる生成モデルを組み込んだ強力なシーケンスモデリング機能を拡張する。 提案したモデルを,公開ベンチマークデータセットと大規模産業データセットの両方で評価する。
  論文  参考訳（メタデータ） (2025-08-22T06:37:57Z)
• HyMamba: Mamba with Hybrid Geometry-Feature Coupling for Efficient Point Cloud Classification [7.139631485661567]
  Geometry-Feature Coupled Pooling (GFCP)は局所的な特徴に隣接する幾何学的情報を動的に集約する。 提案したモデルは,特にModelNet40データセットにおいて,精度が95.99%に向上し,0.03Mの追加パラメータが得られた。さらに,ModelNetShotデータセットでは98.9%の精度を実現し,スパースサンプル下での堅牢な一般化能力を検証している。
  論文  参考訳（メタデータ） (2025-05-16T10:30:20Z)
• HMamba: Hyperbolic Mamba for Sequential Recommendation [39.60869234694072]
  双曲的マンバ(英: Hyperbolic Mamba)は、マンバの選択的状態空間機構と双曲幾何学の階層的表現力の効率を統一する新しいアーキテクチャである。 我々は,Hyperbolic Mambaが線形時間効率を維持しながら3-11%の改善を実現し,実世界の展開を可能にしたことを示す。
  論文  参考訳（メタデータ） (2025-05-14T07:34:36Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [115.79349923044663]
  FSCIL(Few-shot class-incremental Learning)は、限られた例から新しいクラスを段階的に学習することを目的としている。 静的アーキテクチャは固定パラメータ空間に依存して、逐次到着するデータから学習し、現在のセッションに過度に適合する傾向がある。 本研究では,FSCILにおける選択状態空間モデル(SSM)の可能性について検討する。
  論文  参考訳（メタデータ） (2024-07-08T17:09:39Z)
• TESTAM: A Time-Enhanced Spatio-Temporal Attention Model with Mixture of Experts [6.831798156287652]
  本稿では,再帰的および非帰的トラフィックパターンを個別にモデル化する,TESTAMという新しいディープラーニングモデルを提案する。 我々は,TESTAMが再帰的および非再帰的トラフィックのより優れた表示とモデリングを実現することを示す。
  論文  参考訳（メタデータ） (2024-03-05T02:27:52Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)

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。