論文の概要: UniSAGE: Unifying Static and Dynamic Attributes with Hyper-Structure

• arxiv url: http://arxiv.org/abs/2607.14102v1
• Date: Wed, 06 May 2026 07:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.008027
• Title: UniSAGE: Unifying Static and Dynamic Attributes with Hyper-Structure
• Title（参考訳）: UniSAGE:Hyper-Structureで静的および動的属性を統合する
• Abstract要約: 静的属性と動的属性の両方でデータをモデリングする統合フレームワークUniSAGEを提案する。 UniSAGEは完全に自動化されており、進化するデータスキーマに対して堅牢であり、複雑なクロス属性の依存関係をキャプチャすることができる。 複数の公開ベンチマークと実世界の財務行動データセットの実験は、UniSAGEが既存のメソッドを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 16.045558693428458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of digital data, real-world applications increasingly involve hierarchical information that combines static attributes with dynamic records. Modeling such heterogeneous data in a unified and generalizable manner remains challenging. Existing approaches often rely on extensive manual design, are tightly coupled to specific data schemas, and typically process static and dynamic attributes in isolation, thereby overlooking their implicit interactions. We propose UniSAGE, a unified framework for modeling data with both static and dynamic attributes. UniSAGE constructs a global attribute graph that represents hierarchical and temporal relationships in a unified structure. To ensure representational consistency, it introduces two orthogonal parameter subspaces that jointly support static aggregation and dynamic reasoning within a shared semantic space. Building on these unified representations, UniSAGE further enables task-specific interaction between static and dynamic attributes via a lightweight hyper-structure mechanism. UniSAGE is fully automated, robust to evolving data schemas, and capable of capturing complex cross-attribute dependencies. Extensive experiments on multiple public benchmarks and a real-world financial behavior dataset demonstrate that UniSAGE consistently outperforms existing methods, achieving performance improvements of over 10% on several tasks.
• Abstract（参考訳）: デジタルデータの急速な成長に伴い、現実のアプリケーションは静的属性と動的レコードを組み合わせた階層的な情報にますます関与する。 このような異種データを統一的で一般化可能な方法でモデル化することは依然として困難である。 既存のアプローチは、広範囲な手動設計に依存し、特定のデータスキーマと密結合し、通常、静的な属性と動的属性を分離して処理することで、暗黙的なインタラクションを見渡す。 静的属性と動的属性の両方でデータをモデリングするための統一フレームワークUniSAGEを提案する。 UniSAGEは、統一構造における階層的および時間的関係を表すグローバル属性グラフを構築する。 表現整合性を確保するため、共有意味空間内で静的集約と動的推論を共同でサポートする2つの直交パラメータ部分空間を導入している。 これらの統一表現に基づいて、UniSAGEはさらに、軽量なハイパー構造機構を通じて、静的属性と動的属性の間のタスク固有の相互作用を可能にする。 UniSAGEは完全に自動化されており、進化するデータスキーマに対して堅牢であり、複雑なクロス属性の依存関係をキャプチャすることができる。 複数の公開ベンチマークと実世界の財務行動データセットに関する大規模な実験は、UniSAGEが既存のメソッドを一貫して上回り、いくつかのタスクで10%以上のパフォーマンス改善を実現していることを示している。

関連論文リスト

• JODA: Composable Joint Dynamics for Articulated Objects [17.60725863703415]
  JODAは、ジョイントレベルダイナミクスを、ジョイントレベルの自由度を越えて構造化された3チャンネルフィールドとして生成するためのフレームワークである。 それは、解釈可能かつ微分可能シミュレーションと互換性のあるコンパクトかつ表現的関数空間を定義する。 JODAは多種多様な関節行動の可塑性かつ制御可能なモデリングを可能にし,推論,編集,最適化のための統一インターフェースを提供する。
  論文  参考訳（メタデータ） (2026-05-11T04:02:15Z)
• AlignMamba-2: Enhancing Multimodal Fusion and Sentiment Analysis with Modality-Aware Mamba [56.52470564147458]
  マルチモーダル融合と感情分析のための効率的かつ効率的なフレームワークである textbfAlignMamba-2 を提案する。 提案手法では, 最適輸送距離と最大平均離散度の両方を用いてモデルを正規化する2つのアライメント戦略を導入する。 さらに重要なことは、モダリティに特有かつモダリティに偏ったエキスパートによるMixture-of-Expertsアーキテクチャを採用したModality-Aware Mamba層を設計することです。
  論文  参考訳（メタデータ） (2026-03-19T03:47:21Z)
• Unlocking Dynamic Inter-Client Spatial Dependencies: A Federated Spatio-Temporal Graph Learning Method for Traffic Flow Forecasting [13.035721364418471]
  Federated Spatio-Temporal Graph with Dynamic Inter-Client Dependencies (FedSTGD)は、フェデレート学習における動的クライアント間空間依存をモデル化し、再構築するためのフレームワークである。 4つの実世界のデータセットの実験は、FedSTGDが最先端のベースラインよりも優れた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） (2025-11-13T15:57:19Z)
• Structural Similarity-Inspired Unfolding for Lightweight Image Super-Resolution [88.20464308588889]
  効率的な画像SRのための構造類似インスパイアド・アンフォールディング(SSIU)法を提案する。 この方法は、構造的類似性に制約されたSR最適化関数の展開によって設計される。 我々のモデルは現在の最先端モデルより優れており、パラメータ数が低く、メモリ消費が減少している。
  論文  参考訳（メタデータ） (2025-06-13T14:29:40Z)
• Comprehensive Attribute Encoding and Dynamic LSTM HyperModels for Outcome Oriented Predictive Business Process Monitoring [5.634923879819779]
  予測的ビジネスプロセスモニタリングは、進行中のビジネスプロセスの将来の結果を予測することを目的としています。 既存のメソッドは、同時イベントやクラス不均衡、マルチレベル属性といった現実世界の課題を扱う柔軟性に欠けることが多い。 本稿では,イベント属性とシーケンス属性の2レベル階層符号化を統合した動的LSTMハイパーモデルを提案する。 多次元埋め込みと時間差フラグ拡張を活用する、同時イベントモデリングのための特殊なLSTM変種。
  論文  参考訳（メタデータ） (2025-06-04T08:27:58Z)
• RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models [83.6013616017646]
  RelDiffは、外部キーグラフ構造を明示的にモデル化することによって完全な関係データベースを合成する新しい拡散生成モデルである。 RelDiffは、現実的で一貫性のある合成リレーショナルデータベースの作成において、従来手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-31T21:01:02Z)
• Lifting Scheme-Based Implicit Disentanglement of Emotion-Related Facial Dynamics in the Wild [3.3905929183808796]
  In-the-the-wild dynamic expression Recognition (DFER)は、感情に関連する表情を認識する上で重要な課題に遭遇する。 IFDD(Implicit Facial Dynamics Disentanglement framework)を提案する。 IFDDは感情に無関係な世界的文脈から感情に関連する動的情報を暗黙的に切り離す。
  論文  参考訳（メタデータ） (2024-12-17T18:45:53Z)
• Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data [6.3128614613706295]
  単一ドメイン特性を維持しつつグループレベル(複数ドメイン)情報を収集できる階層型フレームワークを提案する。 全ての動的状態の忠実な再構築に加えて、我々の教師なし方法論は共通の低次元特徴空間を発見する。
  論文  参考訳（メタデータ） (2024-10-07T07:54:53Z)
• Static for Dynamic: Towards a Deeper Understanding of Dynamic Facial Expressions Using Static Expression Data [85.71013961405036]
  本稿では,DFERの補完リソースとしてSFERデータを統合した統合型デュアルモーダル学習フレームワークを提案する。 S4Dは、共有トランスフォーマー(ViT)エンコーダデコーダアーキテクチャを用いて、顔画像とビデオに対して、デュアルモーダルな自己教師付き事前トレーニングを採用する。 実験により、S4DはDFERをより深く理解し、新しい最先端のパフォーマンスを設定できることが示された。
  論文  参考訳（メタデータ） (2024-09-10T01:57:57Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)
• Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
  本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。 R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
  論文  参考訳（メタデータ） (2020-01-13T03:45:21Z)

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。