論文の概要: Situation Graph Prediction: Structured Perspective Inference for User Modeling

• arxiv url: http://arxiv.org/abs/2602.13319v1
• Date: Tue, 10 Feb 2026 20:58:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:27.911607
• Title: Situation Graph Prediction: Structured Perspective Inference for User Modeling
• Title（参考訳）: 状況グラフ予測: ユーザモデリングのための構造化された視点推論
• Authors: Jisung Shin, Daniel Platnick, Marjan Alirezaie, Hossein Rahnama,
• Abstract要約: 状況グラフ予測は、視点モデリングを逆推論問題としてフレーム化するタスクである。 実際のラベルを使わずに接地を可能にするために,構造第一合成生成戦略を用いる。 その結果、SGPは非コンテキストであり、構造優先のデータ合成戦略の証拠となることが示唆された。
• 参考スコア（独自算出の注目度）: 0.23332469289621785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perspective-Aware AI requires modeling evolving internal states--goals, emotions, contexts--not merely preferences. Progress is limited by a data bottleneck: digital footprints are privacy-sensitive and perspective states are rarely labeled. We propose Situation Graph Prediction (SGP), a task that frames perspective modeling as an inverse inference problem: reconstructing structured, ontology-aligned representations of perspective from observable multimodal artifacts. To enable grounding without real labels, we use a structure-first synthetic generation strategy that aligns latent labels and observable traces by design. As a pilot, we construct a dataset and run a diagnostic study using retrieval-augmented in-context learning as a proxy for supervision. In our study with GPT-4o, we observe a gap between surface-level extraction and latent perspective inference--indicating latent-state inference is harder than surface extraction under our controlled setting. Results suggest SGP is non-trivial and provide evidence for the structure-first data synthesis strategy.
• Abstract（参考訳）: パースペクティブ・アウェア・AIは、単に好みではなく、内部状態、ゴール、感情、コンテキストの進化をモデル化する必要がある。 デジタルフットプリントはプライバシに敏感であり、パースペクティブステートはめったにラベル付けされない。 本研究では,観測可能なマルチモーダルアーティファクトから視点の構造化されたオントロジーに整合した表現を再構成する,逆推論問題として視点モデリングをフレーム化するタスクである状況グラフ予測(SGP)を提案する。 実際のラベルを使わずにグラウンド化を可能にするために,潜在ラベルと観測可能なトレースを設計によって整列する構造第一合成生成戦略を用いる。 パイロットとして、我々はデータセットを構築し、検索強化されたテキスト内学習を監督のプロキシとして利用して診断研究を行う。 我々は, GPT-4oを用いて, 表面レベル抽出と潜時視点推定のギャップを観察した。 その結果、SGPは非自明であり、構造第一データ合成戦略の証拠となることが示唆された。

関連論文リスト

• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Graph-based Tabular Deep Learning Should Learn Feature Interactions, Not Just Make Predictions [2.312692134587988]
  本稿では、GTDLは予測中心の目的を超えて、特徴的相互作用の明示的な学習と評価を優先すべきである、と論じる。 本研究では,既存のGTDL法では意味のある特徴の相互作用を再現できないことを示す。 我々は、ドメイン理解に根ざした解釈可能で信頼性の高いGTDLシステム構築の基盤として、構造認識モデリングへのシフトを求める。
  論文  参考訳（メタデータ） (2025-10-06T07:16:42Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
  PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。 PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。 一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-14T14:58:30Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
  現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。 本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。 この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
  論文  参考訳（メタデータ） (2022-05-31T12:24:01Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
  シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。 本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。 包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-03-29T06:35:24Z)
• Catastrophic Forgetting in Deep Graph Networks: an Introductory Benchmark for Graph Classification [12.423303337249795]
  グラフ表現学習シナリオにおける破滅的忘れ現象について検討する。 リプレイはこれまでのところ最も効果的な戦略であり、正規化の使用も最もメリットがあります。
  論文  参考訳（メタデータ） (2021-03-22T12:07:21Z)
• Quantifying Challenges in the Application of Graph Representation Learning [0.0]
  私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。 実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-18T03:19:43Z)
• Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
  視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。 以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。 本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:54:42Z)

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。