論文の概要: Discovering Frequent Closed Embedded Sub-DAGs in Spatio-Temporal Event Data

• arxiv url: http://arxiv.org/abs/2607.05995v1
• Date: Tue, 07 Jul 2026 08:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.45627
• Title: Discovering Frequent Closed Embedded Sub-DAGs in Spatio-Temporal Event Data
• Title（参考訳）: 時空間事象データにおける頻繁な閉包サブDAGの発見
• Abstract要約: 閉包されたサブアサイクリックグラフ(DAG)の探索に基づく時間時間イベントデータにおけるマイニングパターンの新しい手法を提案する。 本手法では,イベントインスタンスをイベントタイプでラベル付けしたノードとして表現し,エッジのキャプチャと時間の関係を繰り返す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel approach to mine patterns in spatio-temporal event data based on discovering frequent closed embedded sub-Directed Acyclic Graphs (DAGs). In our method, event instances are represented as nodes labelled by event types, while edges capture spatio-temporal following relationships. We formally define the considered class of patterns and provide the rationale for focusing on closed sub-DAGs as compact and non-redundant representations of recurring interaction patterns. We implement the DigDag algorithm for mining such patterns and experimentally compare its efficiency with two related approaches: propagation pattern mining using the SLEUTH algorithm and Cascading Spatio-Temporal Pattern mining using the CSTPM algorithm. The experimental results demonstrate that our approach is substantially more efficient while operating under comparable parameter settings. Finally, we present a qualitative analysis of selected discovered patterns.
• Abstract（参考訳）: そこで本稿では,DAG (Induction Sub-Directed Acyclic Graphs) の探索に基づく時空間イベントデータのマイニングパターンの探索手法を提案する。 本手法では、イベントインスタンスはイベントタイプでラベル付けされたノードとして表現され、エッジは時空間的後続関係をキャプチャする。 パターンの分類を形式的に定義し、繰り返し発生する相互作用パターンのコンパクトかつ非冗長な表現として閉部分DAGに焦点を当てる根拠を提供する。 このようなパターンをマイニングするためのDigDagアルゴリズムを実装し、その効率をSLEUTHアルゴリズムを用いた伝播パターンマイニングとCSTPMアルゴリズムを用いたカスケード時空間パターンマイニングの2つの関連するアプローチと実験的に比較する。 実験結果から,本手法は等価パラメータ設定下での操作において,より効率的であることがわかった。 最後に, 抽出したパターンの定性解析について述べる。

関連論文リスト

• Model-free algorithms for fast node clustering in SBM type graphs and application to social role inference in animals [26.41190755089919]
  ブロックモデル(SBM)から生成されたグラフにおけるノードクラスタリングとパラメータ推論のための新しいモデルフリーアルゴリズム群を提案する。 我々は,提案手法を最先端技術に対してベンチマークし,推定誤差の低い計算時間を著しく高速化した。 行動生態学からの経験的ネットワークデータに適用することで,アルゴリズムの実用的妥当性を検証した。
  論文  参考訳（メタデータ） (2025-09-19T13:57:17Z)
• Structure Learning with Adaptive Random Neighborhood Informed MCMC [0.0]
  観測データに基づく構造学習の課題に対して,新しいMCMCサンプルであるPARNI-DAGを導入する。 因果補充性の仮定の下で、このアルゴリズムは方向非巡回グラフ(DAG)の後方分布から直接近似的なサンプリングを行うことができる。 種々の実験でDAG構造を学習する際の混合効率と精度を実証的に実証した。
  論文  参考訳（メタデータ） (2023-11-01T15:47:18Z)
• Hierarchical Topological Ordering with Conditional Independence Test for Limited Time Series [40.236595154429246]
  条件付き独立性テスト(HT-CIT)を用いた階層型トポロジカル順序付けアルゴリズムを提案する。 HT-CITアルゴリズムは、刈り取るべきエッジの数を大幅に削減する。 合成および実世界のデータセットから得られた実験結果は,提案したHT-CITアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2023-08-16T05:01:33Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• Score matching enables causal discovery of nonlinear additive noise models [63.93669924730725]
  次世代のスケーラブル因果発見手法の設計方法について述べる。 本稿では,スコアのヤコビアンを効率的に近似し,因果グラフを復元する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T21:34:46Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Online Time Series Anomaly Detection with State Space Gaussian Processes [12.483273106706623]
  R-ssGPFAは、一様および多変量時系列の教師なしオンライン異常検出モデルである。 高次元時系列に対して、時系列の一般的な潜伏過程を特定するためにガウス過程因子解析の拡張を提案する。 異常観測時にカルマン更新をスキップすることで,モデルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2022-01-18T06:43:32Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Efficient Sampling Algorithms for Approximate Temporal Motif Counting (Extended Version) [24.33313864327473]
  時間的モチーフのインスタンス数を推定する汎用エッジサンプリング(ES)アルゴリズムを提案する。 また、エッジサンプリングとウェッジサンプリングを併用した改良されたEWSアルゴリズムを考案し、3頂点と3エッジの時間的モチーフをカウントする。 我々のアルゴリズムは、時間的モチーフカウントのための最先端サンプリング手法よりも効率が高く、精度が高く、スケーラビリティが高い。
  論文  参考訳（メタデータ） (2020-07-28T07:15:25Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。