論文の概要: Dynamic Sheaf Diffusion Networks with Adaptive Local Structure for Heterogeneous Spatio-Temporal Graph Learning

• arxiv url: http://arxiv.org/abs/2604.11275v2
• Date: Fri, 17 Apr 2026 22:40:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 13:51:31.08577
• Title: Dynamic Sheaf Diffusion Networks with Adaptive Local Structure for Heterogeneous Spatio-Temporal Graph Learning
• Title（参考訳）: 不均一な時空間グラフ学習のための適応的局所構造をもつ動的せん断拡散ネットワーク
• Abstract要約: 本稿では,グラフベクトル変換をせん断空間に埋め込む,せん断拡散グラフニューラルネットワーク(ST-Sheaf GNN)を提案する。 我々のモデルは時間とともに進化する動的制約マップを学習し、局所時間パターンに適応し、より表現力のある相互作用を可能にする。
• 参考スコア（独自算出の注目度）: 4.67724003380452
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spatio-temporal processes often exhibit highly heterogeneous and non-intuitive responses to localized disruptions, limiting the effectiveness of conventional message passing approaches in modeling local heterogeneity. We reformulate spatio-temporal forecasting as the problem of learning information flow over locally structured spaces, rather than propagating globally aligned node representations. To this end, we introduce a spatio-temporal sheaf diffusion graph neural network (ST-Sheaf GNN) that embeds graph topology into sheaf-based vector spaces connected by learned linear restriction maps. Unlike prior approaches relying on static or globally shared transformations, our model learns dynamic restriction maps that evolve over time and adapt to local spatio-temporal patterns, enabling more expressive interactions. The proposed framework both theoretically guarantees and empirically demonstrates evidence that the proposed diffusion mechanism mitigates oversmoothing, preserving discriminative node representations even with increasing diffusion layer depth. Experiments on diverse real-world spatio-temporal forecasting benchmarks across multiple domains demonstrate state-of-the-art performance, highlighting the effectiveness of sheaf topological representations as a principled foundation for spatio-temporal graph learning. The code is available at: https://anonymous.4open.science/r/ST-SheafGNN-6523/.
• Abstract（参考訳）: 時空間過程は、局所的な破壊に対して非常に不均一で非直感的な応答を示し、局所的な不均一性をモデル化する従来のメッセージパッシング手法の有効性を制限する。 我々は,グローバルに整合したノード表現を伝播するのではなく,局所構造空間上の情報の流れを学習する問題として時空間予測を再構成する。 この目的のために,学習線形制限写像によって連結された層状ベクトル空間にグラフトポロジを埋め込む時空間拡散グラフニューラルネットワーク(ST-Sheaf GNN)を導入する。 静的あるいはグローバルな共有変換に依存する従来のアプローチとは異なり、我々のモデルは時間とともに進化し、局所的な時空間パターンに適応し、より表現力のある相互作用を可能にする動的な制限マップを学習する。 提案フレームワークは,拡散層深度が増大しても識別ノード表現を保ち,拡散機構が過度なスムース化を緩和する証拠を理論的に保証し,実証的に実証する。 複数の領域にまたがる多様な実世界の時空間予測ベンチマークの実験は、時空間グラフ学習の原則的基礎として、時空間位相表現の有効性を明らかにする。 コードは、https://anonymous.4open.science/r/ST-SheafGNN-6523/で入手できる。

関連論文リスト

• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models [59.8742208800447]
  分離および分散条件付きプロンプトに基づく動的グラフ基礎モデルであるDyGFMを提案する。 DyGFMは、ノード分類とリンク予測の両方において、12の最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:50:03Z)
• Foundations of Diffusion Models in General State Spaces: A Self-Contained Introduction [54.95522167029998]
  この記事は、一般状態空間上の拡散に関する自己完結プライマーである。 我々は、その連続時間限界とともに離散時間ビュー(マルコフカーネルを経由し、逆ダイナミクスを学習する)を開発する。 一般的な変量処理は、標準の訓練損失を支えるELBOをもたらす。
  論文  参考訳（メタデータ） (2025-12-04T18:55:36Z)
• Spline Deformation Field [21.755382164519776]
  帰納バイアスは、不適切なシナリオにおける標準空間コヒーレンスを妨げる。 本稿では,従来の結合技術に取って代わる,新しい低ランク空間符号化手法を提案する。 最先端の手法と比較して、競争力のある動的再構成品質を実現する。
  論文  参考訳（メタデータ） (2025-07-10T08:11:46Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization [29.10084723132903]
  本稿では,時空間探索型パターン学習フレームワークSTRAPを提案する。 推論中、STRAPは現在の入力と類似性に基づいてライブラリから関連するパターンを検索し、プラグイン・アンド・プレイ・プロンプト機構を介してモデルに注入する。 複数の実世界のストリーミンググラフデータセットに対する実験によると、STRAPはSTOODタスクの最先端STGNNベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T06:11:05Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• How to Bridge Spatial and Temporal Heterogeneity in Link Prediction? A Contrastive Method [11.719027225797037]
  我々は,新しいtextbfContrastive Learning-based textbfLink textbfPrediction model, textbfCLPを提案する。 我々のマイモデルは最先端モデルよりも一貫して優れており、AUCとAPで平均10.10%、13.44%の改善が示されている。
  論文  参考訳（メタデータ） (2024-11-01T14:20:53Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
  S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。 このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
  論文  参考訳（メタデータ） (2022-02-25T10:02:49Z)
• Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
  我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。 特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。 複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-10-08T11:19:06Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Conditional Local Filters with Explainers for Spatio-Temporal Forecasting [27.62110162024104]
  空間依存を捉えるために,新しいグラフに基づく有向畳み込みを提案する。 このフィルタは、時間ダイナミクスをモデル化するRecurrent Neural Network (RNN)アーキテクチャに埋め込まれている。 本手法は,道路網交通流,地表面温度と風速,病原体拡散データを含む実世界のデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-01-04T14:22:11Z)

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。