論文の概要: HAWKEYE: Seeing One Layer Deeper -- A Cohesion-Aware Structural Channel for Temporal Link Prediction

• arxiv url: http://arxiv.org/abs/2608.22727v1
• Date: Mon, 24 Aug 2026 02:31:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.872442
• Title: HAWKEYE: Seeing One Layer Deeper -- A Cohesion-Aware Structural Channel for Temporal Link Prediction
• Title（参考訳）: HAWKEYE:1層を深く見る - 時間リンク予測のための凝集型構造チャネル
• Abstract要約: HAWKEYEは、時間グラフモデルのネイティブ構造チャネルをドロップインで置き換えたもので、バックボーンの変更はない。 HAWKEYEをDyGFormerにスワップすることで、6つのデータセットで+0.6から+10.8ポイントの共起チャネル上でのテストAP/MRRが改善される。
• 参考スコア（独自算出の注目度）: 4.0999277836699894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art temporal-link-prediction (TLP) models are, in essence, multi-channel information aggregators: they combine an interaction-history channel, a time-encoding channel, and a structure channel. The first two have been refined relentlessly; the structure channel remains a crude afterthought -- DyGFormer encodes it as a 1--2-bit neighbour-cooccurrence count. We begin with a measurement: on sparse temporal graphs the classical 1-hop common-neighbour signal is near-random (discriminative AUC $\approx 0.50$), because two nodes almost never share a direct neighbour; the genuinely discriminative signal lies one hop deeper -- the 2-hop cohesive bridge, whose discAUC reaches 0.73--0.98, on both bipartite and non-bipartite graphs. Motivated by this, we propose HAWKEYE, a cohesion-aware structural channel that incrementally maintains the classical k-family of cohesiveness indicators (degree $\to$ k-core $\to$ k-truss) and forms 2-hop cohesive-bridge features. HAWKEYE is a drop-in replacement for a temporal-graph model's native structure channel, with no change to the backbone. Swapping HAWKEYE into DyGFormer improves test AP/MRR over the cooccurrence channel by +0.6 to +10.8 points across six multi-seed-validated datasets (uci, enron, USLegis, CanParl, reddit, mooc). On the bipartite recommendation benchmark tgbl-subreddit, a 3-seed single-pass struct-only ablation shows HAWKEYE nearly doubling the baseline test MRR (0.103$\pm$0.003 $\to$ 0.204$\pm$0.005, +10.1 points across all three seeds); the streaming pipeline scales to the 67M-edge tgbl-flight in five minutes per pass. We further characterise when it helps: the gain tracks a graph's training-free 2-hop discAUC and vanishes on degenerate or saturated graphs -- a predictable boundary. All code, data, and figure-generation scripts are released.
• Abstract（参考訳）: State-of-the-art temporal-link-prediction (TLP)モデルは、本質的には、多チャンネル情報アグリゲータである。 最初の2つは絶え間なく洗練され、構造チャネルは依然として粗末なままであり、DyGFormerはそれを1-2ビットの近傍共起数としてエンコードしている。 AUC $\approx 0.50$) は、2つのノードが直接隣り合うことはほとんどなく、真に識別的な信号が1ホップの奥深くにあるため、ディスクAUCは2部グラフと非二部グラフの両方で0.73-0.98に達する。 HAWKEYEは結合性指標の古典的k-ファミリー(次数$\to$ k-core $\to$ k-truss)を漸進的に維持し、2-ホップ結合性ブリッジ特性を形成する。 HAWKEYEは、時間グラフモデルのネイティブ構造チャネルをドロップインで置き換えたもので、バックボーンの変更はない。 HAWKEYEをDyGFormerにスワップすることで、共起チャネル上でのテストAP/MRRを+0.6から+10.8ポイント改善する(uci、enron、USLegis、CanParl、reddit、mooc)。 分岐式レコメンデーションベンチマーク tgbl-subreddit では、3列のシングルパス構造のみのアブレーションで、HAWKEYE はベースラインテスト MRR (0.103$\pm$0.003 $\to$ 0.204$\pm$0.005, +10.1 points across all three seed) をほぼ倍増している。 ゲインはグラフのトレーニング不要な2-ホップディスクAUCを追跡し、退化あるいは飽和グラフで消滅する -- 予測可能な境界である。 すべてのコード、データ、および図形生成スクリプトがリリースされる。

関連論文リスト

• Time-Frequency Geometric Cross-Attention for Chunked Vision-Language-Action Models [10.591519354017803]
  ビジョンアクション(VLA)政策における2つの盲点の修復方法を示す。 プリトレーニング済みのVLAを微調整するために、ドロップインモジュールを使用します。 TFGCA が LIBERO を平均で1.5、OOD LIBERO-Plus を+6.3、RoboTwin ドメインのランダム化で+28.5、AgiBot A2 のタスクで+11.67 のタスクで全体の成功率を示す。
  論文  参考訳（メタデータ） (2026-09-09T09:16:49Z)
• Curvature-Guided Sheaf Diffusion for Unsupervised Community Detection on Heterophilic Graphs [3.7082032592028207]
  Curvature-Guided Sheaf Diffusionは、完全に教師なしのコミュニティ検出アルゴリズムである。 各エッジの離散Forman--Ricci曲率を1つの位相信号として使用する。 5つの異好性のベンチマークで、CGSDはウィスコンシン州とシャメレオン州で勝利した。
  論文  参考訳（メタデータ） (2026-06-29T12:58:20Z)
• Multi-Modal Spatio-Temporal Graph Neural Network with Mixture of Experts for Soil Organic Carbon Prediction [0.0]
  既存のアプローチでは、手作りのコモーダルを古典的なMLとペアリングするか、豊富なスペクトルと時間情報を見逃す単一モードのディープモデルである。 本稿では,SpTGNNとグリッドベースアーキテクチャの両方に対処するマルチテンポラルグラフニューラルネットワークであるSpTG-NNを紹介する。 微調整されたTerraMindエンコーダは、Sentinel-2、Sentinel-1、DEM信号からノード特徴を抽出する。
  論文  参考訳（メタデータ） (2026-06-15T11:25:38Z)
• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• '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)
• CaTok: Taming Mean Flows for One-Dimensional Causal Image Tokenization [122.88484422855934]
  本稿では,MeanFlowデコーダを備えた1次元因果画像トークンであるCaTokを紹介する。 時間間隔でトークンを選択することで、CaTokは高速なワンステップ生成と高忠実なマルチステップサンプリングの両方をサポートする因果1D表現を学ぶ。 実験により、CaTokはImageNet再構成の最先端の結果を達成し、0.75 FID、22.53 PSNR、0.674 SSIMに達した。
  論文  参考訳（メタデータ） (2026-03-06T16:39:17Z)
• Bridging the Divide: End-to-End Sequence-Graph Learning [47.95529678412846]
  シーケンスとグラフは別の問題ではなく、同じデータセットの相補的な側面であると主張する。 BRIDGEは,シーケンスエンコーダとGNNを結合したエンドツーエンドアーキテクチャである。 BRIDGEは、静的GNN、時間グラフ法、およびランク付けと分類基準に基づくシーケンスのみのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-29T03:06:54Z)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• (PASS) Visual Prompt Locates Good Structure Sparsity through a Recurrent HyperNetwork [60.889175951038496]
  大規模ニューラルネットワークは、視覚や言語処理など、さまざまな領域で顕著なパフォーマンスを示している。 構造的刈り込みの鍵となる問題のひとつは、チャネルの意義を見積もる方法である。 我々は,新しいアルゴリズムフレームワーク,すなわち textttPASS を提案する。 視覚的プロンプトとネットワーク重み統計の両方を入力とし、繰り返し的に層ワイドチャネル間隔を出力するように調整されたハイパーネットワークである。
  論文  参考訳（メタデータ） (2024-07-24T16:47:45Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。 これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)

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。