論文の概要: Your Temporal Link Predictor Is Blind to Who Is Active: A Missing Factor That Transfers Across Models
- arxiv url: http://arxiv.org/abs/2610.04869v1
- Date: Sun, 04 Oct 2026 02:21:03 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 21:33:38.327445
- Title: Your Temporal Link Predictor Is Blind to Who Is Active: A Missing Factor That Transfers Across Models
- Title（参考訳）: 時間的リンク予測器は、モデル間での移動に失敗する要因
- Abstract要約: 時間的リンク予測は構築によって第一に盲目であることが示される。
崩壊した相互作用に正確な点過程の確率で適合した自己励起事象強度は、既に含まれている履歴状態を数える。
我々は、ソースアクティビティは時間的リンク予測の盲点であり、安価で転送可能なものであると結論付けている。
- 参考スコア（独自算出の注目度）: 8.65043544121229
- License:
- Abstract: An interaction has two parts: someone decides to act, and then chooses whom to act on. Temporal link prediction has concentrated on the second, and we show that it is blind to the first by construction: a standard negative keeps the real source and swaps the destination, and we prove that this cancels the source's activity exactly from the optimal score, so no model trained and evaluated this way is ever rewarded for learning it. Under the harder historical and inductive negatives, whose sources differ, the same factor becomes the dominant signal. We model it with Source Node Activity Modeling (SNAM), a self-exciting event intensity fitted by an exact point-process likelihood to decayed interaction counts the history states already contain; it has fewer than 20 parameters. On their own, never looking at the destination, these parameters beat DyGFormer and TPNet on four of five datasets under historical negatives. Added to the frozen scores of TPNet, TGN, DyGFormer and DSRD, four models of different design, without retraining anything, they raise AP on almost every backbone-dataset pair in both settings, by up to 25 points. Our full model ranks first overall against eleven baselines on 13 datasets and three protocols, and on million-event streams trains an epoch 9-100x faster than TPNet and DyGFormer. We conclude that source activity is a blind spot of temporal link prediction, and a cheap, transferable one to close. Code is available at https://github.com/Erutaner/Your-Temporal-Link-Predictor-Is-Blind-to-Who-Is-Active.
- Abstract（参考訳）: 対話には2つの部分がある: 誰かが行動を決め、次に誰が行動するかを選択する。
時間的リンク予測は第2に集中しており、構築によって第1に盲目であることが示される: 標準陰性は実際のソースを保持し、目的地を交換する。
情報源が異なる強い歴史的・帰納的負の条件下では、同じ因子が支配的なシグナルとなる。
Source Node Activity Modeling (SNAM)でモデル化します。これは、崩壊した相互作用の正確な点過程の確率によって、すでに含まれている履歴状態をカウントするイベント強度であり、パラメータは20未満です。
目的地を見ることなく、これらのパラメータは歴史的負の5つのデータセットのうち4つでDyGFormerとTPNetを上回った。
TPNet、TGN、DyGFormer、DSRDのフリーズスコアに加え、異なるデザインの4つのモデルが再トレーニングすることなく、両方の設定でほぼすべてのバックボーン-データセットペアでAPを最大25ポイント引き上げる。
当社の全モデルは、13のデータセットと3つのプロトコルで11のベースラインに対して第1位であり、100万のストリームではTPNetやDyGFormerよりもエポック9-100倍速くトレーニングしています。
我々は、ソースアクティビティは時間的リンク予測の盲点であり、安価で転送可能なものであると結論付けている。
コードはhttps://github.com/Erutaner/Your-Temporal-Link-Predictor-Is-Blind-to-Who-Is-Activeで公開されている。
関連論文リスト
- Do Temporal Link Predictors Need Learned Memory? A Smoothed-Count Baseline with a Handful of Parameters [4.032084095153604]
統計的言語モデリングに基づく時間リンク予測器を提案する。
ソース間で遷移と共起数をプールし、ソースが生成したことのないリンクを予測する。
論文 参考訳（メタデータ） (2026-09-28T15:09:02Z) - Impression Share Prediction: An Offline Evaluation Task for Ranking Systems [2.455009405787869]
本稿では,オフライン評価タスクとして,共感共有予測を提案する。
候補者はライブトラフィックを提供していないので、このタスクは本質的に非現実的です。
本研究では,素早い相互作用の信頼信号から印象共有を予測する統計的学習フレームワークを開発する。
論文 参考訳（メタデータ） (2026-08-17T17:52:55Z) - Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。
YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。
我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
論文 参考訳（メタデータ） (2025-05-20T14:31:06Z) - MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate
Time Series [0.0]
時系列の異常検出,特に多変量時系列(複数センサ付き時系列)は,ここ数年にわたって注目されてきた。
ニューラルネットワークを含む既存の方法は、タイムスタンプの観点からのみ、関係に集中する。
提案手法では,グラフニューラルネットワークから派生したGATを用いて,センサ間の接続を求める。
また,VAE(Variational Auto-Encoder)による予測損失と復元損失を両立させる手法も提案している。
論文 参考訳（メタデータ） (2022-11-22T10:17:42Z) - Parameter-free Dynamic Graph Embedding for Link Prediction [18.104685554457394]
FreeGEMはリンク予測のためのパラメータフリーな動的グラフ埋め込み手法である。
その結果,FreeGEMは36倍以上の効率向上を実現しつつ,最先端の手法よりも精度が高いことがわかった。
論文 参考訳（メタデータ） (2022-10-15T04:17:09Z) - DisenHCN: Disentangled Hypergraph Convolutional Networks for
Spatiotemporal Activity Prediction [53.76601630407521]
本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。
特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。
次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
論文 参考訳（メタデータ） (2022-08-14T06:51:54Z) - Unifying Language Learning Paradigms [96.35981503087567]
データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。
本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。
また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
論文 参考訳（メタデータ） (2022-05-10T19:32:20Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - SeDyT: A General Framework for Multi-Step Event Forecasting via Sequence
Modeling on Dynamic Entity Embeddings [6.314274045636102]
イベント予測は、時間的知識グラフ推論において重要で困難なタスクである。
本稿では,動的エンティティ埋め込み上でシーケンスモデリングを行う識別フレームワークであるSeDyTを提案する。
時間的グラフニューラルネットワークモデルとシーケンスモデルを組み合わせることで、SeDyTは平均2.4%のMRR改善を実現している。
論文 参考訳（メタデータ） (2021-09-09T20:32:48Z) - ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。
そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
論文 参考訳（メタデータ） (2020-04-16T06:43:11Z)
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。