論文の概要: THGFM: Dual-Branch Temporal Heterogeneous Graph Fusion Model
- arxiv url: http://arxiv.org/abs/2607.27303v1
- Date: Wed, 29 Jul 2026 17:04:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.288485
- Title: THGFM: Dual-Branch Temporal Heterogeneous Graph Fusion Model
- Title（参考訳）: THGFM : 二重分岐時間不均一グラフ融合モデル
- Abstract要約: 時間的ヘテロジニアスグラフは、様々なノードと関係型が共存し、時間とともに進化する動的システムに対して自然な抽象化を提供する。
ウェブスケールの時間的ヘテロジニアスグラフ融合モデルである textTHGFM を提案する。
- 参考スコア（独自算出の注目度）: 1.7469353078129684
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal heterogeneous graphs offer a natural abstraction for dynamic relational systems in which diverse node and relation types co-exist and evolve over time. Learning on such graphs requires jointly modeling cross-type structural heterogeneity and the temporal dynamics of interactions, yet existing methods still struggle to reconcile parameter-efficient cross-type transfer with relation-aware specialization, and typically inject time only as additive features outside the attention kernel. We propose \textbf{THGFM}, a web-scale temporal heterogeneous graph fusion model that addresses both limitations within a unified dual-path architecture. THGFM couples a \textit{Shared-Space Temporal Attention} branch for parameter-efficient cross-type transfer with a \textit{Relational Type-Partitioned Temporal Attention} branch for relation-aware specialization, and integrates them through \textit{Dual-Path Relational--Shared Fusion}, instantiated with \textit{Type-Conditioned Non-Competitive Gated Sum Fusion}: a adaptive mechanism that assigns independent, type-conditioned feature-wise gates to the shared and specialized branches, allowing both to be amplified or suppressed without zero-sum competition. To directly incorporate relative time into the attention score, THGFM further introduces \textit{Rotary Temporal Attention}, which rotates queries and keys by half-phases of relative time before matching. THGFM consistently outperforms baseline graph transformer models on academic graphs benchmarks, delivering a $+3.25\%$ six-task mean gain, with peak relative gains of $+12.37\%$ on OAG-CS PV, $+4.87\%$ on PF-$L_2$, and $+1.18\%$ on PF-$L_1$, and $+4.24\%$, $+3.73\%$, and $+4.61\%$ on OGBN-MAG, HTAG-ArXiv, and HTAG-DBLP, respectively.
- Abstract（参考訳）: 時間的ヘテロジニアスグラフは、様々なノードと関係型が共存し、時間とともに進化する動的な関係系に対して自然な抽象化を提供する。
このようなグラフの学習には、クロスタイプの構造的不均一性と相互作用の時間的ダイナミクスを共同でモデル化する必要があるが、既存の手法は、パラメータ効率のよいクロスタイプの転送と関係性認識の特殊化との整合に苦慮し、典型的にはアテンションカーネルの外の加法的特徴として時間だけを注入する。
本稿では,Webスケールの時間的ヘテロジニアスグラフ融合モデルである \textbf{THGFM} を提案する。
THGFMは、パラメータ効率の高いクロスタイプ転送のための \textit{Shared-Space Temporal Attention} ブランチと、関係を意識した特殊化のための \textit{Relational Type-Partitioned Temporal Attention} ブランチを結合し、それらを \textit{Dual-Path Relational--Shared Fusion} を通じて統合し、 \textit{Type-Conditioned Non-Competitive Gated Sum Fusion} でインスタンス化する。
相対時間を直接アテンションスコアに組み込むため、THGFMはさらに‘textit{Rotary Temporal Attention}’を導入している。
THGFMは、学術グラフベンチマークのベースライングラフトランスフォーマーモデルより一貫して上回り、OAG-CS PV上の$+12.37\%、PF-$L_2$上の$+4.87\%、PF-$L_1$上の$+1.18\%、PF-$L_1$上の$+4.24\%、OGBN-MAG上の$+3.73\%、HTAG-ArXivおよびHTAG-DBLPにおける$+4.61\%のピーク相対的なゲインが提供される。
関連論文リスト
- HSTGFormer: Hyper Spatial-Temporal Graph Transformer for 3D Human Pose Estimation [9.74237142892215]
HSTGFormerは、結合時間ノード上の局所化結合グラフアグリゲーションとして空間的時間的推論を再構成するグラフ強化トランスフォーマーフレームワークである。
Human3.6M と MPI-INF-3DHP の実験により、HSTGFormer は高い計算効率で高い精度を達成することが示された。
論文 参考訳（メタデータ） (2026-08-12T15:41:34Z) - EventConnector: Mining Social Event Relations through Temporal Graphs [30.803277876468943]
textitEventConnectorは、一時的なイベントグラフを構築するフレームワークである。
textbfEC-Fusionは、EventConnectorのグラフベースのスコアを補完的なGranger-Causal信号で融合する適応的な検索メカニズムである。
論文 参考訳（メタデータ） (2026-06-13T19:44:57Z) - 'Si'multaneous 'S'patial-'T'emporal Message Passing for Dynamic Graph Representation Learning [1.39296688544827]
本稿では,1つのメッセージパス操作内で2つの信号を融合するtextbfSiST-GNN(textbfSimultaneous textbfSpatial-textbfTemporal textbfGNN)を提案する。
我々の実証研究は、9つの公的なベースラインと14のモデル-データセットの組み合わせにまたがっており、固定分割型とライブ更新型の両方の評価体制をカバーしている。
論文 参考訳（メタデータ） (2026-05-25T08:04:32Z) - Parameter-free entropy-regularized multi-view clustering with hierarchical feature selection [3.8015092217142237]
AMVFCM-U と AAMVFCM-U の2つの補完アルゴリズムを導入し、統一されたパラメータフリーフレームワークを提供する。
AAMVFCM-Uは最大97%の計算効率向上を実現し、次元を0.45%に減らし、重要なビューの組み合わせを自動的に識別する。
論文 参考訳（メタデータ） (2025-08-07T15:36:59Z) - InfiGFusion: Graph-on-Logits Distillation via Efficient Gromov-Wasserstein for Model Fusion [36.27704594180795]
InfiGFusionは、新しいtextitGraph-on-Logits Distillation (GLD)損失を持つ構造認識融合フレームワークである。
GLDは核融合品質と安定性を継続的に改善することを示す。
複雑な推論タスクでは、多段階算術において+35.6、SFT上の因果判定において+37.06が改良された。
論文 参考訳（メタデータ） (2025-05-20T03:55:35Z) - THeGCN: Temporal Heterophilic Graph Convolutional Network [51.25112923442657]
本研究では,時間的ヘテロフィルグラフ畳み込みネットワーク(THeGCN)を提案し,両端(空間)ヘテロフィリーと時間的ヘテロフィリーを正確に捉える。
THeGCNモデルは2つの重要なコンポーネントで構成されている。
5つの実世界のデータセットで実施された大規模な実験により、THeGCNの有効性が検証された。
論文 参考訳（メタデータ） (2024-12-21T01:52:03Z) - Supra-Laplacian Encoding for Transformer on Dynamic Graphs [14.293220696079919]
本稿では,時間情報を保持しつつ,GTアーキテクチャの新しいテンポラルエンコーディングを提案する。
具体的には、Time Dynamic Graphplas を多層グラフに変換し、関連する超ラテン行列のスペクトル特性を利用する。
第2のコントリビューションは、動的リンク予測のための正確なエッジ表現を提供するクロスアテンション機構と相互にノードをモデル化する。
論文 参考訳（メタデータ） (2024-09-26T15:56:40Z) - Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。
GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。
このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2024-05-22T16:41:21Z) - Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
既存の作業は、動的グラフを変更のシーケンスとして見るだけである。
動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。
頂点とエッジのタイムパン
組み込みにはタイムアウェアなTransformerが提案されている。
vertexの動的接続と学習へのToEs。
頂点表現
論文 参考訳（メタデータ） (2022-07-01T15:32:56Z) - 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) - Continuous-Time Sequential Recommendation with Temporal Graph
Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。
TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。
5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-14T22:50:53Z) - Jointly Cross- and Self-Modal Graph Attention Network for Query-Based
Moment Localization [77.21951145754065]
本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。
CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
論文 参考訳（メタデータ） (2020-08-04T08:25:24Z)
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。