論文の概要: Dynamic Graph World Modelling: Learning Future Dynamics from Temporal Context

• arxiv url: http://arxiv.org/abs/2610.19364v1
• Date: Wed, 14 Oct 2026 01:09:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.867237
• Title: Dynamic Graph World Modelling: Learning Future Dynamics from Temporal Context
• Title（参考訳）: 動的グラフワールドモデリング:時間的文脈から将来のダイナミクスを学ぶ
• Abstract要約: 動的グラフ学習は、エンティティとその関係が、過去の観測から将来のグラフ状態を予測するためにどのように進化するかをモデル化する。 既存の方法は、時間的文脈から将来の潜伏グラフ状態への学習遷移を必要とする動的グラフ世界モデリングに完全に対応していない。 動的グラフ世界モデリング(DyG-WM)を提案する。このフレームワークは3つの質問に答えることで,時間的文脈から将来のノードと関係表現を共同で予測する最初のフレームワークである。
• 参考スコア（独自算出の注目度）: 17.526725656417238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic graph learning models how entities and their relations evolve from historical observations to predict future graph states. Existing methods do not fully address dynamic graph world modelling, which requires learning transitions from temporal context to future latent graph states. This is difficult for three reasons: nodes and relations rely on different historical evidence, structural evolution is path-dependent, and future snapshots provide sparse and realization-specific targets. We propose Dynamic Graph World Modelling (DyG-WM), the first framework to jointly predict future node and relation representations from temporal context by answering three questions: what has evolved, how it evolved, and what will evolve next. To capture what has evolved, a historical node-relation context encoder summarizes node-neighborhood trajectories and pair-specific histories. To characterize how it evolved, a node-relation path-signature encoder captures ordered structural changes. To predict what will evolve next, a dual-level joint-embedding objective predicts target-snapshot node and relation representations without reconstructing the raw graph. Experiments on 12 link-prediction and two node-classification datasets demonstrate the effectiveness of DyG-WM across both tasks.
• Abstract（参考訳）: 動的グラフ学習は、エンティティとその関係が、過去の観測から将来のグラフ状態を予測するためにどのように進化するかをモデル化する。 既存の方法は、時間的文脈から将来の潜伏グラフ状態への学習遷移を必要とする動的グラフ世界モデリングに完全に対応していない。 ノードとリレーションは異なる歴史的証拠に依存し、構造的進化はパスに依存し、将来のスナップショットはスパースと実現固有のターゲットを提供する。 動的グラフ世界モデリング(DyG-WM)を提案する。このフレームワークは3つの質問に答えることで,時間的文脈から将来のノードと関係表現を共同で予測する最初のフレームワークである。 進化したことを捉えるために、歴史的ノード関連コンテキストエンコーダは、ノード近傍の軌跡とペア固有の歴史を要約する。 ノード関連パス署名エンコーダは、その進化を特徴付けるために、順序付けられた構造変化をキャプチャする。 次に何が起こるかを予測するために、二重レベル共同埋め込み目的は、生グラフを再構成することなく、ターゲット・スナップショットノードと関係表現を予測する。 12のリンク予測と2つのノード分類データセットの実験は、両方のタスクでDyG-WMの有効性を示す。

関連論文リスト

• Retrieval Augmented Generation for Dynamic Graph Modeling [15.09162213134372]
  動的グラフモデリングのための新しいフレームワークRetrieval-Augmented Generation(RAG4DyG)を提案する。 RAG4DyGは、より広いグラフ構造から文脈的および時間的に関連する例を組み込むことで、動的グラフ予測を強化する。 提案するフレームワークは、トランスダクティブシナリオとインダクティブシナリオの両方に有効であるように設計されている。
  論文  参考訳（メタデータ） (2024-08-26T09:23:35Z)
• Node-Time Conditional Prompt Learning In Dynamic Graphs [14.62182210205324]
  DYGPROMPTは動的グラフモデリングのための新しい事前学習および迅速な学習フレームワークである。 我々はノードと時間の特徴が相互に特徴付けることを認識し、下流タスクにおけるノード時間パターンの進化をモデル化するための2つの条件ネットを提案する。
  論文  参考訳（メタデータ） (2024-05-22T19:10:24Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
  マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。 長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
  論文  参考訳（メタデータ） (2023-08-10T01:24:25Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Scene Graph Modification as Incremental Structure Expanding [61.84291817776118]
  本研究では,既存のシーングラフを自然言語クエリに基づいて更新する方法を学習するために,シーングラフ修正(SGM)に注目した。 インクリメンタル構造拡張(ISE)の導入によるグラフ拡張タスクとしてのSGM 既存のデータセットよりも複雑なクエリと大きなシーングラフを含む、挑戦的なデータセットを構築します。
  論文  参考訳（メタデータ） (2022-09-15T16:26:14Z)
• 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)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Learning Attribute-Structure Co-Evolutions in Dynamic Graphs [28.848851822725933]
  本稿では動的属性グラフシーケンスをモデル化するCoEvoGNNという新しいフレームワークを提案する。 これは、シーケンスを通じて生成を埋め込むことで、現在のグラフに対する以前のグラフの影響を保っている。 進化における長距離依存をモデル化するための時間的自己認識機構を持つ。
  論文  参考訳（メタデータ） (2020-07-25T20:07:28Z)

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。