論文の概要: Temporal Sheaf Neural Networks with Dynamic Orthogonal Transport
- arxiv url: http://arxiv.org/abs/2606.10071v1
- Date: Mon, 08 Jun 2026 18:47:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.139002
- Title: Temporal Sheaf Neural Networks with Dynamic Orthogonal Transport
- Title（参考訳）: 動的直交輸送を伴う時空間せん断ニューラルネットワーク
- Authors: Md Sadek Hossain Asif, Tanzila Khan, Md. Mosaddek Khan,
- Abstract要約: 本稿では,時間的リンク予測フレームワークであるTSNNを紹介する。
TSNNは、動的局所フレームを通してノード固有で進化する相互作用の意味をモデル化する。
すべての計算は厳密な因果関係を持ち、事前の履歴のみを使用する。
- 参考スコア（独自算出の注目度）: 0.5709546417287261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Temporal Sheaf Neural Networks (TSNN), a temporal link prediction framework that equips each node with a time-varying orthogonal frame and compares node states only after explicit transport between local coordinate systems. In contrast to existing continuous-time graph models that operate in a shared global embedding space, TSNN models node-specific and evolving interaction semantics through dynamic local frames. The model parameterizes per-node frames via efficient low-rank Householder products, preserves stored hidden states exactly under frame updates, and uses a geometric-residual decoder that anchors predictions on transported distances while learning residual corrections. All computations are strictly causal and use only the pre-event history. We show that the symmetric degree-normalized sheaf Laplacian is orthogonally similar to the symmetric normalized graph Laplacian, with the random-walk normalized form similar in the corresponding degree metric; the full-active, feature-scaled diffusion used by TSNN is exactly a metric-gradient step on the combinatorial sheaf Dirichlet energy, with a degree-free monotone-descent and non-expansiveness guarantee. Frame drift perturbs updates only linearly. Across TGB v2 link-prediction and temporal-heterogeneous leaderboards, together with the DGB benchmark suite, TSNN matches or surpasses the strongest prior methods on most benchmarks, with the largest improvements on graphs exhibiting strong node-role heterogeneity. Ablations confirm the distinct benefit of dynamic frames, orthogonal transport, and geometric-residual decoding.
- Abstract（参考訳）: 本稿では,時間的に異なる直交フレームを各ノードに装備し,局所座標系間の明示的な移動後にのみノード状態を比較する時間的リンク予測フレームワークであるTSNNを紹介する。
共有グローバル埋め込み空間で動作する既存の連続時間グラフモデルとは対照的に、TSNNは動的局所フレームを通してノード固有で進化する相互作用セマンティクスをモデル化する。
このモデルは、効率的な低ランク住宅製品を介してノード単位のフレームをパラメータ化し、フレーム更新時に正確に隠された状態を保存し、残差補正を学習しながら輸送距離の予測をアンカーする幾何学的残留復号器を使用する。
すべての計算は厳密な因果関係を持ち、事前の履歴のみを使用する。
対称次数正規化層ラプラシアンは対称正規化グラフラプラシアンと直交的に類似しており、対応する次数計量に類似したランダムウォーク正規化形式を持つ。
フレームドリフトパーターブはリニアにのみ更新される。
TGB v2のリンク予測と時間的ヘテロジニアスなリーダボード、DGBベンチマークスイート、TSNNは、ほとんどのベンチマークで最強の先行メソッドにマッチするか、超えている。
アブレーションは、動的フレーム、直交輸送、幾何学的残留復号の利点を明確に示す。
関連論文リスト
- Dynamic Link Prediction with Temporally Enhanced Signed Graph Neural Networks [1.5259434915412646]
時間的署名ネットワーク(TSN)は、協調関係と敵対関係の時間的進化をモデル化する。
本稿では,歴史的文脈を静的なアーキテクチャに統合した署名付きGNNのための時空間拡張フレームワークを提案する。
Bitcoin OTC、Bitcoin Alpha、Reddit、および小さな世界のネットワークモデルを含む、現実世界および合成TSNの実験は、一貫性と統計的に重要な改善を示している。
論文 参考訳（メタデータ） (2026-05-25T19:28:01Z) - 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) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - 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) - Parallel Sequence Modeling via Generalized Spatial Propagation Network [80.66202109995726]
Generalized Spatial Propagation Network (GSPN)は、2次元空間構造を本質的にキャプチャする最適化された視覚タスクのための新しいアテンションメカニズムである。
GSPNは、空間的コヒーレントな画像データを直接操作し、ラインスキャンアプローチを通じて高密度なペアワイズ接続を形成することにより、制限を克服する。
GSPNは、ImageNet分類、クラス誘導画像生成、テキスト・ツー・イメージ生成などの視覚タスクにおいて、より優れた空間忠実性と最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-01-21T18:56:19Z) - Commute Graph Neural Networks [35.264126797649716]
我々は,ノードワイズ通勤時間をメッセージパッシング方式にシームレスに統合するアプローチであるCommutute Graph Neural Networks (CGNN)を導入する。
CGNNは、新しく定式化されたラプラシアングラフを用いて通勤時間を計算するための効率的な方法である。
これによりCGNNは、ダイグラフの相互非対称関係を直接キャプチャできる。
論文 参考訳（メタデータ） (2024-06-30T10:53:40Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。
提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-04T06:42:33Z) - 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) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳（メタデータ） (2022-06-07T09:08:35Z) - On the spatial attention in Spatio-Temporal Graph Convolutional Networks
for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。
最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文 参考訳（メタデータ） (2020-11-07T19:03:04Z)
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。