論文の概要: Integrating Temporal and Structural Context in Graph Transformers for Relational Deep Learning

• arxiv url: http://arxiv.org/abs/2511.04557v1
• Date: Thu, 06 Nov 2025 17:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.524017
• Title: Integrating Temporal and Structural Context in Graph Transformers for Relational Deep Learning
• Title（参考訳）: 関係深層学習のためのグラフ変換器における時間的・構造的文脈の統合
• Authors: Divyansha Lachi, Mahmoud Mohammadi, Joe Meyer, Vinam Arora, Tom Palczewski, Eva L. Dyer,
• Abstract要約: 直近の領域を越えてノードを検索することで,グローバルなコンテキストを向上する時空間サブグラフサンプリング手法を提案する。 また,リレーショナルディープラーニングのためのグラフトランスフォーマーアーキテクチャであるGraph Perceiver (RGP)を提案する。 RGPは最先端のパフォーマンスを提供し、リレーショナルディープラーニングのための汎用的でスケーラブルなソリューションを提供する。
• 参考スコア（独自算出の注目度）: 6.780460717949915
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In domains such as healthcare, finance, and e-commerce, the temporal dynamics of relational data emerge from complex interactions-such as those between patients and providers, or users and products across diverse categories. To be broadly useful, models operating on these data must integrate long-range spatial and temporal dependencies across diverse types of entities, while also supporting multiple predictive tasks. However, existing graph models for relational data primarily focus on spatial structure, treating temporal information merely as a filtering constraint to exclude future events rather than a modeling signal, and are typically designed for single-task prediction. To address these gaps, we introduce a temporal subgraph sampler that enhances global context by retrieving nodes beyond the immediate neighborhood to capture temporally relevant relationships. In addition, we propose the Relational Graph Perceiver (RGP), a graph transformer architecture for relational deep learning that leverages a cross-attention-based latent bottleneck to efficiently integrate information from both structural and temporal contexts. This latent bottleneck integrates signals from different node and edge types into a common latent space, enabling the model to build global context across the entire relational system. RGP also incorporates a flexible cross-attention decoder that supports joint learning across tasks with disjoint label spaces within a single model. Experiments on RelBench, SALT, and CTU show that RGP delivers state-of-the-art performance, offering a general and scalable solution for relational deep learning with support for diverse predictive tasks.
• Abstract（参考訳）: 医療、金融、電子商取引などの分野において、リレーショナルデータの時間的ダイナミクスは、患者と提供者、あるいは様々なカテゴリーのユーザーと製品の間の複雑な相互作用から生まれる。 広範に有用であるためには、これらのデータを操作するモデルは、様々な種類のエンティティにまたがる長距離空間的および時間的依存関係を統合するとともに、複数の予測タスクをサポートする必要がある。 しかし、既存のリレーショナルデータのためのグラフモデルは、主に空間構造に焦点を当てており、時間情報はモデリング信号ではなく将来の事象を除外するためのフィルタリング制約として扱われ、通常は単一タスクの予測のために設計されている。 これらのギャップに対処するために、時間的関係を捉えるために、直近の領域を越えてノードを検索することで、グローバルなコンテキストを強化する時間的サブグラフサンプリングを導入する。 さらに,RGP(Relational Graph Perceiver)を提案する。RGP(Relational Graph Perceiver)は,関係深層学習のためのグラフトランスフォーマーアーキテクチャである。 この潜在ボトルネックは、異なるノードとエッジタイプからの信号を共通の潜在空間に統合し、モデルがリレーショナルシステム全体にわたってグローバルなコンテキストを構築することを可能にする。 RGPはまた、フレキシブルなクロスアテンションデコーダも組み込まれており、単一のモデル内で不整合ラベル空間を持つタスク間の共同学習をサポートする。 RelBench、SALT、CTUの実験によると、RGPは最先端のパフォーマンスを提供し、多様な予測タスクをサポートするリレーショナルディープラーニングのための汎用的でスケーラブルなソリューションを提供する。

関連論文リスト

• Hybrid Hypergraph Networks for Multimodal Sequence Data Classification [9.688069013427057]
  本稿では,時間的マルチモーダルデータをセグメンテーションファースト,グラフ後処理によってモデル化するハイブリッドハイパーグラフネットワーク(HHN)を提案する。 HHNは4つのマルチモーダルデータセットに対して最先端の結果を達成し、複雑な分類タスクにおいてその有効性を示す。
  論文  参考訳（メタデータ） (2025-07-30T12:13:05Z)
• A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
  本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。 TVEは従来のトレーニング前のベースラインを一貫して上回っている。 本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
  論文  参考訳（メタデータ） (2025-07-14T00:17:21Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
  STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
  論文  参考訳（メタデータ） (2025-05-07T06:41:33Z)
• Explaining Categorical Feature Interactions Using Graph Covariance and LLMs [18.44675735926458]
  本稿では,Counter Trafficking Data Collaborativeからのグローバルな合成データセットに焦点を当てる。 2002年から2022年にかけて20,000件以上の匿名化された記録があり、それぞれのレコードに多くの分類学的特徴がある。 本稿では,重要な分類的特徴の相互作用を分析し,抽出するための高速でスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2025-01-24T21:41:26Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• An Adaptive Federated Relevance Framework for Spatial Temporal Graph Learning [14.353798949041698]
  本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。 フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。 局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
  論文  参考訳（メタデータ） (2022-06-07T16:12:17Z)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)
• 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)

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。