論文の概要: Forget Less, Generalize More: Unifying Temporal and Structural Adaptation for Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2605.29453v1
• Date: Thu, 28 May 2026 06:47:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.865044
• Title: Forget Less, Generalize More: Unifying Temporal and Structural Adaptation for Dynamic Graphs
• Title（参考訳）: Forget Less, Generalize More:動的グラフに対する時間的・構造的適応の統合
• Authors: Qian Chang, Ciprian Doru Giurcaneanu, Runsong Jia, Xia Li, Guoping Hu, Xiufeng Cheng, Jinqing Yang, Mengjia Wu, Yi Zhang,
• Abstract要約: 本稿では,時間的記憶と構造的コンテキストの両方を符号化した表現状態を維持する統一的なフレームワークを提案する。 この結果から,Dual-Scale Retentive Dynamics はリンク予測とノード分類の両タスクにおける最先端性能を一貫して達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 9.230468469629345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Representation learning on dynamic graphs requires capturing complex dependencies that evolve across both time and structure. Existing approaches typically adopt fixed temporal decay schemes or predetermined structural propagation depths, limiting their ability to generalize across graphs with diverse interaction frequencies and topological characteristics. We propose Dual-Scale Retentive Dynamics (DSRD), a unified framework that maintains a retentive representation state encoding both temporal memory and structural context. DSRD introduces two key components: (i) a retentive state with dual-scale adaptation that jointly models temporal dynamics and structural propagation within a single recurrent formulation, and (ii) adaptive decay kernels with learnable time-sensitivity parameters that automatically balance short-term responsiveness and long-term retention based on the underlying interaction patterns. We provide theoretical analysis establishing the equivalence between event-wise parallel aggregation and efficient recurrent state updates, as well as stability and boundedness guarantees for the learned dynamics. Extensive experiments on 14 real-world benchmarks demonstrate that DSRD consistently achieves state-of-the-art performance on both link prediction and node classification tasks, with strong generalization across transductive and inductive settings.
• Abstract（参考訳）: 動的グラフ上の表現学習は、時間と構造の両方にわたって進化する複雑な依存関係をキャプチャする必要がある。 既存のアプローチは通常、固定時間減衰スキームまたは所定の構造的伝播深さを採用し、様々な相互作用周波数と位相特性を持つグラフをまたいで一般化する能力を制限している。 本稿では,時間的記憶と構造的コンテキストの両方を符号化した表現状態を維持する統合フレームワークであるDual-Scale Retentive Dynamics (DSRD)を提案する。 DSRDは2つの重要なコンポーネントを導入している。 一 一つの再帰的定式化において、時相力学及び構造伝播を連立にモデル化した二重スケール適応による抑止状態 (II) 短期応答性と長期保持を自動的にバランスさせる学習可能な時間感度パラメータを持つ適応型崩壊カーネル。 本稿では,イベントワイド並列アグリゲーションと効率的なリカレント状態更新の等価性を確立する理論解析と,学習力学の安定性とバウンダリネス保証について述べる。 14の実世界のベンチマークにおいて、DSRDはリンク予測とノード分類タスクの両方において、常に最先端のパフォーマンスを達成し、トランスダクティブおよびインダクティブな設定で強力な一般化を実現している。

関連論文リスト

• PESD-TSF: A Period-Aware and Explicit Structured Decomposition Framework for Long-Term Time Series Forecasting [6.1337977581640075]
  PESD-TSFは、長期連続予測のための物理に着想を得た構造化分解フレームワークである。 信号振幅を変調し、深い層をまたいだ周期構造を保存するために、連続した時間前処理を組み込む。 ベンチマークデータセットの実験は、PESD-TSFが一貫して最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-05-15T03:11:52Z)
• Emergence Transformer: Dynamical Temporal Attention Matters [8.268321002607737]
  人工知能の画期的なアーキテクチャであるTransformerは、その成功をアテンションメカニズムに負っている。 本稿では,各コンポーネントが自前の状態や隣人の過去の状態と対話できるEmergence Transformerを提案する。 我々は,DTAが社会的コヒーレンスを再認識し,合意の強化や複数保持の戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-18T01:10:44Z)
• A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
  隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。 提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
  論文  参考訳（メタデータ） (2026-02-10T17:16:49Z)
• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• Parallel BiLSTM-Transformer networks for forecasting chaotic dynamics [24.960864709838436]
  本研究では,Transformer と Bidirectional Long Short-Term Memory Network を統合した並列予測フレームワークを提案する。 提案したハイブリッドモデルはデュアルブランチアーキテクチャを採用しており、Transformerブランチは主に長距離依存関係をキャプチャする。 結果は、提案されたハイブリッドフレームワークがタスク間でシングルブランチアーキテクチャの両方より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2025-10-27T16:17:10Z)
• 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)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)

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。