論文の概要: Dynamic Hypergraph Representation Learning for Multivariate Time Series without Prior Knowledge

• arxiv url: http://arxiv.org/abs/2605.22540v1
• Date: Thu, 21 May 2026 14:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.297311
• Title: Dynamic Hypergraph Representation Learning for Multivariate Time Series without Prior Knowledge
• Title（参考訳）: 事前知識のない多変量時系列の動的ハイパーグラフ表現学習
• Authors: Marco Gregnanin, Johannes De Smedt, Giorgio Gnecco, Maurizio Parton,
• Abstract要約: 本稿では,時系列の動的ハイパーグラフ表現を,データの事前の知識に頼らずに構築するモデルを提案する。 得られたハイパーグラフは動的ハイパーグラフ注意畳み込みネットワーク(DHACN)によって多変量時系列予測に使用される。 本研究は, 先行知識のない高次関係を明らかにするのに適した新しい手法を導入することにより, ハイパーグラフ表現の分野を推し進める。
• 参考スコア（独自算出の注目度）: 3.3645420715634615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hypergraphs have the capacity to capture higher-dimensional relationships among entities across various domains, making them a subject of growing interest within the research community for understanding the structure and dynamics of complex systems. However, a key challenge is the derivation of hypergraph representations from time series data in situations where the structure of the hypergraph is limited or absent. In this study, we propose a model that constructs a dynamic hypergraph representation for multivariate time series without relying on prior knowledge of the data. This is achieved by applying community detection to the time series and transforming the resulting communities, obtained through an attention mechanism, into a hypergraph using a clique-based technique. Hypergraph representations are derived from different time series datasets, and the resulting hypergraphs are then used by a Dynamic Hypergraph Attention Convolution Network (DHACN) for multivariate time series predictions. This research advances the field of hypergraph representation by introducing a novel approach that is better suited to uncover high-order relationships without prior knowledge.
• Abstract（参考訳）: ハイパーグラフは、様々な領域にまたがるエンティティ間の高次元的な関係を捉える能力を持ち、複雑なシステムの構造と力学を理解するために研究コミュニティ内で関心が高まりつつある。 しかし、重要な課題は、ハイパーグラフの構造が制限されているか欠如している状況において、時系列データからハイパーグラフ表現を導出することである。 本研究では,データの事前知識に頼ることなく,多変量時系列の動的ハイパーグラフ表現を構築するモデルを提案する。 これは、時系列にコミュニティ検出を適用して、アテンション機構を通じて得られたコミュニティを、斜め方式でハイパーグラフに変換することで実現される。 ハイパーグラフ表現は異なる時系列データセットから導出され、結果のハイパーグラフは動的ハイパーグラフ注意畳み込みネットワーク(DHACN)によって多変量時系列予測に使用される。 本研究は, 先行知識のない高次関係を明らかにするのに適した新しい手法を導入することにより, ハイパーグラフ表現の分野を推し進める。

関連論文リスト

• Modeling Hypergraph Using Large Language Models [4.58199980642666]
  ハイパーグラフは、高階クラスタリング、ハイパーグラフニューラルネットワーク、コンピュータビジョンで使用される。 しかし、従来のペアワイズグラフと比較して、実際のハイパーグラフデータセットはスケールと多様性の両方において不足している。 マルチエージェント協調によるハイパーグラフの生成と進化をシミュレートする新しいLCM駆動型ハイパーグラフ生成装置HyperLLMを紹介する。
  論文  参考訳（メタデータ） (2025-10-09T04:23:16Z)
• Community and hyperedge inference in multiple hypergraphs [9.782518418521175]
  複数のハイパーグラフ間の相互接続を利用して、複数の高階システムから統合された情報を合成する方法を示す。 ブロックモデルに基づくモデルを提案し、複数のハイパーグラフからの情報を統合し、潜在高次構造を明らかにする。 我々の研究は、複数のハイパーグラフを解析するための実用的で柔軟なツールを提供し、現実世界の高階システムにおける組織の理解を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-05-08T05:52:41Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Sheaf Hypergraph Networks [20.91851106383122]
  本稿では,従来のハイパーグラフに余分な構造を加える数学的構造であるハイパーグラフのセルシーブを紹介する。 文献中の既存のラプラシアンからインスピレーションを得て、我々は2つの独特なシェフハイパーグラフラプラシアンの定式化を開発した。 我々は、これらの層ハイパーグラフラプラシアンを用いて、層ハイパーグラフニューラルネットワークと層ハイパーグラフ畳み込みニューラルネットワークの2つのモデルのカテゴリを設計する。
  論文  参考訳（メタデータ） (2023-09-29T10:25:43Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
  本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。 各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-22T12:24:02Z)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)

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。