論文の概要: Bridging the Divide: End-to-End Sequence-Graph Learning

• arxiv url: http://arxiv.org/abs/2510.25126v1
• Date: Wed, 29 Oct 2025 03:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.992964
• Title: Bridging the Divide: End-to-End Sequence-Graph Learning
• Title（参考訳）: 分割をブリッジする: エンドツーエンドのシーケンス-グラフ学習
• Authors: Yuen Chen, Yulun Wu, Samuel Sharpe, Igor Melnyk, Nam H. Nguyen, Furong Huang, C. Bayan Bruss, Rizal Fathony,
• Abstract要約: シーケンスとグラフは別の問題ではなく、同じデータセットの相補的な側面であると主張する。 BRIDGEは,シーケンスエンコーダとGNNを結合したエンドツーエンドアーキテクチャである。 BRIDGEは、静的GNN、時間グラフ法、およびランク付けと分類基準に基づくシーケンスのみのベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 47.95529678412846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many real-world datasets are both sequential and relational: each node carries an event sequence while edges encode interactions. Existing methods in sequence modeling and graph modeling often neglect one modality or the other. We argue that sequences and graphs are not separate problems but complementary facets of the same dataset, and should be learned jointly. We introduce BRIDGE, a unified end-to-end architecture that couples a sequence encoder with a GNN under a single objective, allowing gradients to flow across both modules and learning task-aligned representations. To enable fine-grained token-level message passing among neighbors, we add TOKENXATTN, a token-level cross-attention layer that passes messages between events in neighboring sequences. Across two settings, friendship prediction (Brightkite) and fraud detection (Amazon), BRIDGE consistently outperforms static GNNs, temporal graph methods, and sequence-only baselines on ranking and classification metrics.
• Abstract（参考訳）: 多くの実世界のデータセットはシーケンシャルとリレーショナルの両方で、各ノードはイベントシーケンスを持ち、エッジはインタラクションをエンコードする。 シーケンスモデリングやグラフモデリングにおける既存の手法は、あるモダリティを無視することが多い。 我々は、シーケンスとグラフは別の問題ではなく、同じデータセットの相補的な側面であり、共同で学習すべきであると主張している。 BRIDGEは、単一の目的の下でシーケンスエンコーダとGNNを結合し、両方のモジュールをまたいだ勾配とタスク整合表現の学習を可能にする統合エンドツーエンドアーキテクチャである。 ToKENXATTNは、隣接するシーケンス内のイベント間でメッセージを渡すトークンレベルのクロスアテンション層である。 友情予測(Brightkite)と不正検出(Amazon)の2つの設定で、BRIDGEは静的GNN、時間グラフメソッド、ランキングと分類メトリクスのシーケンスのみのベースラインを一貫して上回っている。

関連論文リスト

• Full-History Graphs with Edge-Type Decoupled Networks for Temporal Reasoning [16.53173953073833]
  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。
  論文  参考訳（メタデータ） (2025-08-05T09:29:07Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Multigraph Message Passing with Bi-Directional Multi-Edge Aggregations [5.193718340934995]
  MEGA-GNNは、マルチグラフ上のメッセージパッシングのための統一されたフレームワークである。 我々は, MEGA-GNN が置換同変であるだけでなく,エッジ上で厳密な全順序付けを与えられることも示す。 実験の結果、MEGA-GNNはアンチ・モニー・ロンダリングのデータセットで最先端のソリューションを最大13%上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-29T20:15:18Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)

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。