論文の概要: EvtGraph: Event-Adaptive Compression for Sparse Temporal Graph Learning in Multimodal Time Series
- arxiv url: http://arxiv.org/abs/2608.04368v1
- Date: Wed, 05 Aug 2026 02:16:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.690352
- Title: EvtGraph: Event-Adaptive Compression for Sparse Temporal Graph Learning in Multimodal Time Series
- Title（参考訳）: EvtGraph:マルチモーダル時系列におけるスパース時間グラフ学習のためのイベント適応圧縮
- Authors: Ziqian Wang, Tingxiong Xiao, Yuxiao Cheng, Jinli Suo,
- Abstract要約: EvtGraphは、計算を明確な予算制約の下で時間的サリエンスと整合させる統合フレームワークである。
EvtGraphは、高密度なシーケンスを正常なイベント上の構造化された計算に変換することで、臨界遷移を保ちながら複雑さを低減します。
- 参考スコア（独自算出の注目度）: 25.750916054932294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal temporal data are inherently irregular and uneven in information density, yet most models rely on uniform discretization, leading to inefficient representations. We propose \textbf{EvtGraph}, a unified framework that aligns computation with temporal salience under explicit budget constraints. EvtGraph reparameterizes sequences into event-level tokens via event-adaptive compression (EAMC), selects a compact subset with a node budget (NBC), and performs temporally constrained sparse graph reasoning (T2SG). This transforms dense sequences into structured computation over salient events, reducing complexity while preserving critical transitions. We show that this design provides a practical mechanism for allocating representational capacity under a fixed budget, yielding a consistent performance--efficiency trade-off, where a small budget is often sufficient in practice. Experiments on multimodal clinical (MIMIC-IV + CXR) and cross-domain benchmarks demonstrate that EvtGraph outperforms both Transformer-based and recurrent baselines while significantly improving efficiency. These results suggest that budget-constrained event-centric representation provides a general paradigm for learning from high-redundancy temporal data.
- Abstract（参考訳）: マルチモーダル時間データは本質的に不規則であり、情報密度は不均一であるが、ほとんどのモデルは均一な離散化に依存し、非効率な表現をもたらす。
本稿では,計算と時間的サリエンスを明示的な予算制約の下で整合させる統合フレームワークである「textbf{EvtGraph}」を提案する。
EvtGraphは、イベント適応圧縮(EAMC)によるイベントレベルトークンへのシーケンスの再パラメータ化、ノード予算(NBC)によるコンパクトサブセットの選択、時間制約付きスパースグラフ推論(T2SG)を実行する。
これにより、高密度なシーケンスは、厳密なイベント上の構造化された計算に変換され、臨界遷移を保ちながら複雑さを減少させる。
この設計は、固定予算下での表現能力の割当に実用的なメカニズムを提供し、小さな予算で十分である場合、一貫した性能-効率トレードオフをもたらすことを示す。
マルチモーダル臨床(MIMIC-IV + CXR)とクロスドメインベンチマークの実験では、EvtGraphはトランスフォーマーベースとリカレントベースラインの両方に優れ、効率は大幅に向上した。
これらの結果は、予算制約のあるイベント中心表現が、高冗長時間データから学習するための一般的なパラダイムを提供することを示唆している。
関連論文リスト
- Gaussian Mixture Modeling for Event-Aware Visual Allocation in Long Video Understanding [55.04091863981529]
LVLM(Large Vision-Language Models)は、一様サンプリングに伴う計算コストと情報損失により、長いビデオ理解において重大な課題に直面している。
本稿ではGMM-EVAを提案する。GMM-EVAはガウス混合モデルを用いて離散フレームからイベントレベルの構造をモデル化する。
次に、時間的文脈を維持しトークン予算を最適化するために低分解能二次観測を用いながら、高忠実度詳細のためにイベント毎の1次高分解能を1つ保持するために、分化したアロケーション戦略を適用する。
論文 参考訳（メタデータ） (2026-07-14T09:27:25Z) - Efficient Time Series Clustering from Multiscale Reservoir Dynamics with Granular-Ball Anchoring Graph Optimization [21.33441927042172]
MSRGC-Netは効率的な時系列クラスタリングフレームワークである。
マルチスケール貯水池計算、グラニュラーボールベースのアンカーグラフ構築、コンセンサス学習を統合している。
クラスタリングのパフォーマンスにおいて、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-06-10T13:42:35Z) - Time Extrapolation with Graph Convolutional Autoencoder and Tensor Train Decomposition [9.446359051690292]
非構造格子上のパラメータ化偏微分方程式に対する時間一貫性の縮小次数モデルを開発する。
特に、高忠実度スナップショットは、TT分解によるパラメトリック、空間、時間コアの組み合わせとして表現される。
我々はディープ・オペレーター・ネットワーク(DeepONet)のフレームワークにおける多要素二段階アプローチの開発により一般化性能を向上させる。
熱伝導, 対流拡散, 渦破断現象などの数値計算結果は, 複雑な測地における外挿系における力学を効果的に学習する上で, 優れた性能を示した。
論文 参考訳（メタデータ） (2025-11-28T09:59:17Z) - Lighter-X: An Efficient and Plug-and-play Strategy for Graph-based Recommendation through Decoupled Propagation [49.865020394064096]
我々は,既存のGNNベースのレコメンデータアーキテクチャとシームレスに統合可能な,効率的かつモジュール化されたフレームワークである textbfLighter-X を提案する。
提案手法は,基本モデルの理論的保証と経験的性能を保ちながら,パラメータサイズと計算複雑性を大幅に低減する。
実験の結果、Lighter-Xはパラメータが大幅に少ないベースラインモデルに匹敵するパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-10-11T08:33:08Z) - STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。
4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
論文 参考訳（メタデータ） (2025-05-07T06:41:33Z) - MassiveGNN: Efficient Training via Prefetching for Massively Connected Distributed Graphs [11.026326555186333]
本稿では,現在最先端のAmazon DistDGL分散GNNフレームワーク上に,パラメータ化された連続プリフェッチと消去方式を提案する。
NERSC(National Energy Research Scientific Computing Center)のPerlmutterスーパーコンピュータでは、エンドツーエンドのトレーニング性能が15～40%向上している。
論文 参考訳（メタデータ） (2024-10-30T05:10:38Z) - 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) - Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。
エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。
本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
論文 参考訳（メタデータ） (2023-11-03T16:50:26Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳（メタデータ） (2023-05-18T06:17:50Z) - AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。
AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
論文 参考訳（メタデータ） (2022-03-31T16:21:12Z)
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。