論文の概要: Learning Long Range Spatio-Temporal Representations over Continuous Time Dynamic Graphs with State Space Models

• arxiv url: http://arxiv.org/abs/2606.04672v1
• Date: Wed, 03 Jun 2026 09:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.666853
• Title: Learning Long Range Spatio-Temporal Representations over Continuous Time Dynamic Graphs with State Space Models
• Title（参考訳）: 状態空間モデルを用いた連続時間動的グラフを用いた長距離時空間表現の学習
• Authors: Ayushman Raghuvanshi, Thummaluru Siddartha Readdy, Sundeep Prabhakar Chepuri, Mahesh Chandran,
• Abstract要約: 連続時間動的グラフ(CTDG)は、進化するデータの微細な時間パターンをキャプチャする、よりリッチなフレームワークを提供する。 連続時間動的グラフのためのパラメータ効率のよい状態空間モデリングフレームワークを導出する。 CTDG-SSMは、LRT(long range temporal)と空間推論を必要とするデータセットにおいて、大きなパフォーマンス向上を達成する。
• 参考スコア（独自算出の注目度）: 20.327111267394965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous-time dynamic graphs (CTDGs) provide a richer framework to capture fine-grained temporal patterns in evolving relational data. Long-range information propagation is a key challenge while learning representations, wherein it is important to retain and update information over long temporal horizons. Existing approaches restrict models to capture one-hop or local temporal neighborhoods and fail to capture multi-hop or global structural patterns. To mitigate this, we derive a parameter-efficient state-space modeling framework for continuous-time dynamic graphs (CTDG-SSM) from first principles. We first introduce continuous-time Topology-Aware higher order polynomial projection operator (CTT-HiPPO), a novel memory-based reformulation of HiPPO to jointly encode temporal dynamics and graph structure. The solution from CTT-HiPPO is obtained by projecting the classical HiPPO solution through a polynomial of the Laplacian matrix, yielding topology-aware memory updates that admit an equivalent state-space formulation for CTDGs (CTDG-SSM). Then a computationally efficient discrete formulation is obtained using the zero-order hold approach for model implementation. Across benchmarks on dynamic link prediction, dynamic node classification, and sequence classification, CTDG-SSM achieves state-of-the-art performance. Notably, it achieves large performance gains on datasets that require long range temporal (LRT) and spatial reasoning.
• Abstract（参考訳）: 連続時間動的グラフ(CTDG)は、進化するリレーショナルデータにおいて、よりきめ細かい時間パターンをキャプチャする、よりリッチなフレームワークを提供する。 長距離情報伝達は表現の学習において重要な課題であり、長期の時間的地平線上で情報の保持と更新が重要である。 既存のアプローチでは、ワンホップまたはローカルな時間的地区を捉え、マルチホップやグローバルな構造パターンを捉えないモデルを制限している。 これを緩和するために、第一原理から連続時間動的グラフ(CTDG-SSM)のためのパラメータ効率の良い状態空間モデリングフレームワークを導出する。 まず、時間的ダイナミクスとグラフ構造を結合的にエンコードする、新しいメモリベースのHiPPOの再構成であるCTT-HiPPO(Continuous-time Topology-Aware High Order polynomial projection operator)を導入する。 CTT-HiPPOの解は、古典的なHiPPO溶液をラプラシア行列の多項式を通して投影し、CTDG(CTDG-SSM)の等価な状態空間定式化を許容するトポロジー対応メモリ更新を生成する。 そして、モデル実装のためのゼロオーダーホールドアプローチを用いて、計算効率の良い離散定式化を求める。 動的リンク予測、動的ノード分類、シーケンス分類のベンチマークにおいて、CTDG-SSMは最先端の性能を達成する。 特に、LRT(long range temporal)と空間的推論を必要とするデータセットにおいて、大きなパフォーマンス向上を実現する。

関連論文リスト

• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• SpikeSTAG: Spatial-Temporal Forecasting via GNN-SNN Collaboration [16.754715227269525]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークなアプローチを提供する。 本稿では,グラフ構造学習とスパイクに基づく時間的処理をシームレスに統合する,新しいSNNアーキテクチャを提案する。 実験の結果、我々のモデルはすべてのデータセットで最先端のSNNベースのiSpikformerを上回ることがわかった。
  論文  参考訳（メタデータ） (2025-08-04T05:17:52Z)
• 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)
• STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
  STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
  論文  参考訳（メタデータ） (2025-05-07T06:41:33Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Temporal Graph Modeling for Skeleton-based Action Recognition [25.788239844759246]
  複雑な時間的ダイナミクスを捉えるための時間拡張グラフ畳み込みネットワーク(TE-GCN)を提案する。 構築された時間関係グラフは、意味的に関連する時間的特徴間の接続を明示的に構築する。 2つの大規模データセットで実験を行う。
  論文  参考訳（メタデータ） (2020-12-16T09:02:47Z)

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。