論文の概要: GTIN: A Unified Framework for Joint Event and Time Prediction in Temporal Graphs

• arxiv url: http://arxiv.org/abs/2607.23556v1
• Date: Sun, 26 Jul 2026 09:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.14978
• Title: GTIN: A Unified Framework for Joint Event and Time Prediction in Temporal Graphs
• Title（参考訳）: GTIN: 時系列グラフにおける統合イベントと時間予測のための統合フレームワーク
• Abstract要約: 本稿では,時間グラフにまたがる様々な複雑さを把握できる統一フレームワークを提案する。 我々は,次のイベントとその発生時刻を共同で予測するための新しいアプローチを紹介する。 複数のデータセットにまたがる経験的評価は、我々の手法が既存の手法より一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 6.39593002676344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal graphs are increasingly used to model dynamic systems in diverse domains such as social networks, financial networks, and traffic networks. Predicting both what the next event will be and when it will occur in these systems is crucial for understanding and anticipating complex behaviors, but has not been studied much. To address this gap, we propose a unified mathematical framework capable of capturing varying degrees of complexity across temporal graphs. Our framework is flexible and expressive enough to accommodate a wide range of network structures and temporal dynamics. Building upon this analysis, we introduce our novel approach for jointly predicting the next event and its occurrence time. Empirical evaluations across multiple datasets demonstrate that our method consistently outperforms existing techniques, particularly in scenarios involving irregular event patterns and complex temporal dependencies. These findings highlight the potential of our framework as a robust foundation for future research in temporal event prediction.
• Abstract（参考訳）: テンポラルグラフは、ソーシャルネットワーク、金融ネットワーク、交通ネットワークといった様々な領域の動的システムをモデル化するためにますます使われてきている。 次の出来事がどのようなものでいつ起こるかを予測することは、複雑な振る舞いを理解し、予測するために重要であるが、あまり研究されていない。 このギャップに対処するために,時間グラフをまたいだ様々な複雑さを捉えることができる統一的な数学的枠組みを提案する。 我々のフレームワークは柔軟で表現力があり、幅広いネットワーク構造や時間的ダイナミクスに対応できる。 この分析に基づいて,次の事象とその発生時刻を共同予測するための新しいアプローチを提案する。 複数のデータセットにまたがる経験的評価は、我々の手法が既存の手法、特に不規則なイベントパターンや複雑な時間的依存関係を含むシナリオにおいて一貫して優れていることを示している。 これらの知見は,時間的事象予測における今後の研究の基盤として,我々の枠組みの可能性を浮き彫りにしている。

関連論文リスト

• Stochastic Event Prediction via Temporal Motif Transitions [0.0]
  時間的リンク予測手法は、通常、タスクを負のサンプリングを伴うバイナリ分類として表す。 本稿では、時系列リンク予測を連続時間における逐次予測問題として再構成するフレームワークSTEP(Stochastic Event Predictor)を紹介する。
  論文  参考訳（メタデータ） (2026-03-06T03:51:40Z)
• Temporal Attention Evolutional Graph Convolutional Network for Multivariate Time Series Forecasting [2.6138578479379104]
  本稿ではTAEGCN(Temporal Attention Evolutional Graph Convolutional Network)を紹介する。 TAEGCNは、データ内の時間的因果関係と隠れた空間的依存関係を受信する。 METR-LAとPEMS-BAYの2つの公共交通ネットワークデータセットで行った実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2025-05-01T04:50:00Z)
• TSI: A Multi-View Representation Learning Approach for Time Series Forecasting [29.05140751690699]
  本研究では,時系列予測のための新しいマルチビュー手法を提案する。 傾向と季節表現を独立成分分析(ICA)に基づく表現と統合する。 このアプローチは時系列データの全体的理解を提供し、しばしば曖昧で非線形な関係を見逃す伝統的なモデルを越えている。
  論文  参考訳（メタデータ） (2024-09-30T02:11:57Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• 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)
• TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting [20.03223916749058]
  時系列予測は、科学と工学における重要な現実世界の応用の核心にある。 動的時間グラフ表現を学習するTimeGNNを提案する。 TimeGNNは、他の最先端のグラフベースの手法よりも4倍から80倍高速な推論時間を実現している。
  論文  参考訳（メタデータ） (2023-07-27T08:10:19Z)
• Learning Dynamic Graphs from All Contextual Information for Accurate Point-of-Interest Visit Forecasting [9.670949636600035]
  Busyness Graph Neural Network (BysGNN) は、基礎となるマルチコンテキスト相関を学習し、発見するために設計された時間グラフニューラルネットワークである。 文脈的,時間的,空間的な信号をすべて取り入れることで,最先端の予測モデルに対する予測精度の大幅な向上を観察する。
  論文  参考訳（メタデータ） (2023-06-28T05:14:03Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。