論文の概要: PRISM: Iterative Cross-Modal Posterior Refinement for Dynamic Text-Attributed Graphs
- arxiv url: http://arxiv.org/abs/2605.06073v1
- Date: Thu, 07 May 2026 11:58:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.741359
- Title: PRISM: Iterative Cross-Modal Posterior Refinement for Dynamic Text-Attributed Graphs
- Title（参考訳）: PRISM:動的テキスト分散グラフのための反復的相互修正
- Authors: Trimble Chang, Yihang Liu, Mingjing Han, Han Zhang,
- Abstract要約: マルチモーダル学習は、DyTAG表現学習を強化するための、有望だが未発見の方向性として登場した。
我々は,DyTAG表現学習のための反復的相互修正フレームワークである textbfPRISM を提案する。
PRISMはDyTAG情報を意味的および行動的モダリティに整理し、キャリアレベルのモダリティパーティションよりも本質的な代替手段を提供する。
- 参考スコア（独自算出の注目度）: 5.2307029116231165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic text-attributed graphs (DyTAGs) provide a powerful framework for modeling evolving systems in which node semantics and time-dependent interactions are tightly coupled. Recently, multimodal learning has emerged as a promising yet underexplored direction for enhancing DyTAG representation learning. However, existing methods typically rely on rigid modality partitions and one-shot fusion strategies, which limit their ability to capture the intrinsic and evolving dependencies between node semantics and interaction behaviors. To address these limitations, we propose \textbf{PRISM}, an iterative cross-modal posterior refinement framework for DyTAG representation learning. PRISM organizes DyTAG information into semantic and behavioral modalities, providing a more intrinsic alternative to carrier-level modality partitions. Instead of fusing the two modalities in a single step, PRISM learns a refinement trajectory that progressively transforms semantic priors into behavior-conditioned posterior states through cross-modal interaction with behavioral evidence. Extensive experiments on DTGB benchmark datasets show that PRISM achieves strong performance on temporal link prediction and destination node retrieval tasks. Further ablation studies validate the effectiveness of semantic--behavioral modeling and iterative posterior refinement.
- Abstract（参考訳）: 動的テキスト分散グラフ(DyTAG)は、ノードのセマンティクスと時間依存相互作用が緊密に結合された進化するシステムをモデル化するための強力なフレームワークを提供する。
近年、マルチモーダル学習は、DyTAG表現学習を強化するための、期待できない方向性として浮上している。
しかし、既存のメソッドは通常、厳密なモダリティ分割とワンショットの融合戦略に依存しており、ノードのセマンティクスと相互作用の振る舞いの間の固有のおよび進化する依存関係をキャプチャする能力を制限する。
このような制約に対処するため,DyTAG表現学習のための反復的相互修正フレームワークであるtextbf{PRISM}を提案する。
PRISMはDyTAG情報を意味的および行動的モダリティに整理し、キャリアレベルのモダリティパーティションよりも本質的な代替手段を提供する。
一つのステップで2つのモードを融合させる代わりに、PRISMは、動作証拠との相互の相互作用を通じて、セマンティック先行を行動条件付き後続状態に徐々に変換する洗練された軌道を学習する。
DTGBベンチマークデータセットの大規模な実験により、PRISMは時間的リンク予測と宛先ノード検索タスクにおいて強い性能を発揮することが示された。
さらなるアブレーション研究は、セマンティック・ビヘイビア・モデリングと反復的後処理の有効性を検証する。
関連論文リスト
- Bidirectional Learning of Facial Action Units and Expressions via Structured Semantic Mapping across Heterogeneous Datasets [85.74213192818668]
本研究では,異なるデータ領域下での双方向AU-FE学習のための構造化セマンティックマッピング(SSM)フレームワークを提案する。
SSMは、(1)動的AUとFEビデオから統一された顔表現を学習する共有視覚バックボーン、(2)テキストセマンティックプロトタイプ(TSP)モジュールによるセマンティックメディエーション、(3)顔行動符号化システムから派生した事前知識を組み込んだ動的優先マッピング(DPM)モジュールの3つの主要な構成要素から構成される。
論文 参考訳（メタデータ） (2026-04-12T09:08:32Z) - TAWRMAC: A Novel Dynamic Graph Representation Learning Method [1.7230595437884768]
TAWRMACは、時間匿名ウォークスをリスタート、メモリ拡張、Neighbor共起埋め込みと統合する新しいフレームワークである。
TAWRMACは安定で、一般化可能で、コンテキスト対応の埋め込みを提供することで、連続時間動的グラフ学習における技術の状態を前進させる。
論文 参考訳（メタデータ） (2025-10-10T21:38:07Z) - Text-Derived Relational Graph-Enhanced Network for Skeleton-Based Action Segmentation [14.707224594220264]
本稿では,モデリングと監視の両面を強化するために,テキストDerived Graph Network (TRG-Net)を提案する。
モデリングでは、動的時空間融合モデリング (Dynamic Spatio-Temporal Fusion Modeling, D) 法は、JGT (Text-Derived Joint Graphs) とチャネル適応を組み込む。
ARIS(Absolute-Relative Inter-Class Supervision)法では、絶対クラスを正規化するためにアクション特徴とテキスト埋め込みの対比学習を用いる。
論文 参考訳（メタデータ） (2025-03-19T11:38:14Z) - SemanticBoost: Elevating Motion Generation with Augmented Textual Cues [73.83255805408126]
我々のフレームワークはセマンティック・エンハンスメント・モジュールとコンテキスト調整型モーション・デノイザ(CAMD)から構成されている。
CAMDアプローチは、高品質でセマンティックに一貫性のあるモーションシーケンスを生成するための全エンコンパスソリューションを提供する。
実験の結果,SemanticBoostは拡散法として自己回帰法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-10-31T09:58:11Z) - IDRNet: Intervention-Driven Relation Network for Semantic Segmentation [34.09179171102469]
同時進行の視覚パターンは、画素関係モデリングが密接な予測タスクを促進することを示唆している。
印象的な結果にもかかわらず、既存のパラダイムは、しばしば不適切または効果的な文脈情報集約に悩まされる。
我々は,textbfIntervention-textbfDriven textbfRelation textbfNetworkを提案する。
論文 参考訳（メタデータ） (2023-10-16T18:37:33Z) - 3D-STMN: Dependency-Driven Superpoint-Text Matching Network for
End-to-End 3D Referring Expression Segmentation [33.20461146674787]
3D参照式(3D-RES)では、従来のアプローチは2段階のパラダイムを採用し、セグメンテーション提案を抽出し、参照式とマッチングする。
本稿では,依存性駆動の洞察に富む,革新的なエンドツーエンドのSuperpoint-Text Matching Network(3D-STMN)を提案する。
我々のモデルは新しい性能基準を設定し、mIoUゲインの11.7ポイントを登録するだけでなく、従来の手法を95.7倍に越え、推論速度の驚異的な向上も達成している。
論文 参考訳（メタデータ） (2023-08-31T11:00:03Z) - Graph Adaptive Semantic Transfer for Cross-domain Sentiment
Classification [68.06496970320595]
クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。
本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
論文 参考訳（メタデータ） (2022-05-18T07:47:01Z) - ConTIG: Continuous Representation Learning on Temporal Interaction
Graphs [32.25218861788686]
ConTIGは、ノード埋め込み軌道の連続的動的進化をキャプチャする連続表現法である。
我々のモデルは、最新の相互作用、隣り合う特徴、固有の特徴を含む、動的ネットワークにおける3つの要素を生かしている。
実験結果は、時間的リンク予測、時間的ノードレコメンデーション、動的ノード分類タスクにおけるConTIGの優位性を示す。
論文 参考訳（メタデータ） (2021-09-27T12:11:24Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳（メタデータ） (2020-03-09T17:05:04Z)
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。