論文の概要: Dynamic Spectral Filtering for Temporal Graph Learning: Learning Evolving Propagation Operators

• arxiv url: http://arxiv.org/abs/2607.27891v1
• Date: Thu, 30 Jul 2026 09:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.471829
• Title: Dynamic Spectral Filtering for Temporal Graph Learning: Learning Evolving Propagation Operators
• Title（参考訳）: 時空間グラフ学習のための動的スペクトルフィルタリング:伝搬演算子を進化させる学習
• Abstract要約: 時間グラフ学習は一般にノード状態の進化や相互作用履歴の符号化を中心に構成される。 グラフの伝播そのものは時間とともに進化するのか?
• 参考スコア（独自算出の注目度）: 0.913755431537592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal graph learning is commonly organized around the evolution of node states or the encoding of interaction histories. We study an underexplored, operator-centric question: should the graph propagation mechanism itself evolve over time? We introduce Dynamic Spectral Filtering (DSF), which represents propagation at snapshot t by a Chebyshev polynomial filter with vector-valued, time-dependent coefficients. DSF explicitly treats these compact multi-order coefficients as recurrent temporal states. A recurrent branch proposes updates, while multiplicative global and order-specific gates regulate their magnitude. The temporal state is independent of the number of nodes. On MOOC, Wikipedia, and Reddit temporal link-prediction benchmarks, converged DSF runs attain AP scores of 0.7851, 0.9088, and 0.9860, respectively, with 93K to 133K trainable parameters, 68 to 182 MB peak GPU memory, and 1.6 to 2.1 seconds of training per epoch. Against the closely related DEFT baseline, DSF is better on MOOC, within 0.001 AP on Reddit, and modestly lower on Wikipedia, while using 8.3 to 8.6 times fewer parameters, 25 to 33 times less GPU memory, and 5 to 19 times less time per epoch. Relative to all measured alternatives, it uses 3.3 to 38.6 times less GPU memory. These results support direct spectral-response evolution as a useful temporal inductive bias when computational efficiency is a first-class requirement.
• Abstract（参考訳）: 時間グラフ学習は一般にノード状態の進化や相互作用履歴の符号化を中心に構成される。 グラフ伝播機構そのものは時間とともに進化するのか? 本稿では,ベクトル値の時間依存係数を持つChebyshev多項式フィルタを用いて,スナップショットtでの伝搬を表す動的スペクトルフィルタ(DSF)を提案する。 DSFはこれらのコンパクトな多次係数を時相状態として明示的に扱う。 リカレントブランチは更新を提案し、乗法的グローバルゲートとオーダー固有ゲートはその大きさを規定する。 時間状態はノード数とは独立である。 MOOC、Wikipedia、Redditの時間リンク予測ベンチマークでは、収束DSFはそれぞれ0.7851、0.9088、0.9860のAPスコアで、93Kから133Kのトレーニング可能なパラメータ、68から182MBのピークGPUメモリ、1.6から2.1秒のトレーニングがある。 密接に関連する DEFT ベースラインに対して、DSF は MOOC の方が優れており、Reddit では 0.001 AP 以内であり、Wikipedia ではわずかに低いが、パラメータは 8.3 から 8.6 倍、GPU メモリは 25 から 33 倍、エポック毎の 5 から 19 倍も少ない。 測定されたすべての代替品と比較して、3.3から38.6倍のGPUメモリを使用する。 これらの結果は、計算効率が第一級要件である場合に有用な時間的帰納バイアスとして、直接スペクトル応答進化を支持する。

関連論文リスト

• Strictly Causal Streaming Video Anomaly Detection with a Theoretically-Grounded State-Space Core [2.648500779572419]
  ルックアヘッドもクリップバッファリングも不要な因果ストリーミング異常検出器を導入する。 その時空コアは、入力と状態依存の崩壊ゲートを持つ対角線状状態空間の再発である。 繰り返し減衰スペクトルと検出遅延と、確実に捕捉できる最も短い異常との間に閉じた形状関係を導出する。
  論文  参考訳（メタデータ） (2026-08-25T16:52:32Z)
• Hierarchical Transformer Preconditioning for Interactive Physics Simulation [28.137076331332413]
  階層型トランスフォーマープレコンディショナー(Hierarchical Transformer Preconditioner)は、弱い許容率のH行列分割に固定されたニューラルプレコンディショナーである。 ネットワークは低ランクの遠距離因子を通して逆をモデル化する。 高速道路の接続を利用して、奥行きを隔ててコンテキストを伝播する。
  論文  参考訳（メタデータ） (2026-05-13T11:02:27Z)
• Triple Spectral Fusion for Sensor-based Human Activity Recognition [86.21994396715074]
  本稿では,センサを用いたヒューマンアクティビティ認識(HAR)に適した新しい三重スペクトル融合フレームワークを提案する。 雑音抑制のための適応的な補間フィルタリング手法を開発し,各IMUセンサを姿勢・運動モードノードに整理する。 適応ウェーブレット周波数選択手法により、コンテキストの冗長性を抑え、特徴の長さを短縮する。
  論文  参考訳（メタデータ） (2026-05-04T15:42:58Z)
• Collapse or Preserve: Data-Dependent Temporal Aggregation for Spiking Neural Network Acceleration [1.1597621848542221]
  スパイク空間は、GPUハードウェア上で効率的なスパイクニューラルネットワーク(SNN)推論を可能にすると広く信じられている。 SIMDアーキテクチャは2進スパイクの微細で非構造的な空間を利用できない。 本稿では、畳み込み線形性を利用して1回の畳み込みコールの前に$K$スパイクフレームをプリアグリゲートする時間的集約畳み込み(TAC)を提案する。
  論文  参考訳（メタデータ） (2026-03-14T07:30:22Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• Speedy MASt3R [68.47052557089631]
  MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。 高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。 この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-03-13T03:56:22Z)
• Streaming Factor Trajectory Learning for Temporal Tensor Decomposition [33.18423605559094]
  時相テンソル分解のためのストリーム係数軌道学習を提案する。 我々はガウス過程(GP)を用いて因子の軌道をモデル化し、その時間的進化を柔軟に推定する。 合成タスクと実世界のアプリケーションの両方において、SFTLの利点を示してきた。
  論文  参考訳（メタデータ） (2023-10-25T21:58:52Z)
• SKI to go Faster: Accelerating Toeplitz Neural Networks via Asymmetric Kernels [69.47358238222586]
  Toeplitz Neural Networks (TNN) は、印象的な結果を持つ最近のシーケンスモデルである。 我々は, O(n) 計算複雑性と O(n) 相対位置エンコーダ (RPE) 多層パーセプトロン (MLP) と減衰バイアスコールの低減を目指す。 双方向モデルの場合、これはスパースと低ランクのToeplitz行列分解を動機付ける。
  論文  参考訳（メタデータ） (2023-05-15T21:25:35Z)
• 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)
• SliceNStitch: Continuous CP Decomposition of Sparse Tensor Streams [22.348422397331984]
  連続CANDECOMP/PARAFAC分解用SLICENSTITCHを提案します。 異常検知、レコメンダーシステム、株式市場予測など、多くの時間クリティカルなアプリケーションがあります。 理論的および実験的に、SLICENSTITCHは(1)「任意の時間」:現在の時間期間が終了するまで待つことなく、すぐに因子を更新すること、(2)高速:オンラインメソッドよりも759倍速く、(3)正確:オフラインメソッドに匹敵する適合性(特に721%)。
  論文  参考訳（メタデータ） (2021-02-23T06:28:42Z)
• L2PF -- Learning to Prune Faster [57.32153461504626]
  本稿では,cnnの冗長フィルタを離散的に学習するマルチタスクのtry-and-learn法と,レイヤの微調整期間の連続的動作を提案する。 ResNet20では、最小精度で圧縮比3.84xを達成しました。 最先端プルーニング法と比較して,GPU時間を1.71倍に短縮した。
  論文  参考訳（メタデータ） (2021-01-07T18:13:37Z)

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。