論文の概要: From Complex Histories to Simple Predictors: Predictive Dimension in Dynamic Graph Learning
- arxiv url: http://arxiv.org/abs/2610.28090v1
- Date: Tue, 20 Oct 2026 12:08:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.799265
- Title: From Complex Histories to Simple Predictors: Predictive Dimension in Dynamic Graph Learning
- Title（参考訳）: 複雑な歴史から単純な予測へ:動的グラフ学習における予測次元
- Abstract要約: 連続時間グラフ学習は、完全な歴史を再構築するよりも、将来の予測に十分な低次元状態を特定するべきだと論じる。
与えられたタスクに必要な効果的な予測自由度を定量化する本質的な予測次元を推定する。
PreDyGは、代表的複素ベースラインのパラメータのわずか0.07%で優れた予測性能を達成する。
- 参考スコア（独自算出の注目度）: 14.973965187242664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing continuous-time graph learning methods rely heavily on complex neural architectures to encode ever-expanding interaction histories. However, the future conditional distribution induced by complex histories can often be characterized by a low-dimensional predictive state manifold, implying that only a few predictive degrees of freedom are essential for future interactions. We therefore argue that continuous-time graph learning should identify low-dimensional states sufficient for future prediction rather than reconstruct the full history. To make this perspective measurable, we define and independently estimate the intrinsic predictive dimension, which quantifies the effective predictive degrees of freedom required by a given task. Specifically, we remove the history-independent marginal from the history-conditioned future distribution, decompose the resulting predictive residual operator, and estimate the minimum effective rank needed to preserve the predictive power of the full history. Experiments across datasets show that model performance saturation is largely determined by the intrinsic predictive dimension. Based on this finding, we propose PreDyG, a lightweight model whose capacity is matched to the intrinsic predictive dimension. PreDyG achieves superior predictive performance with only 0.07\% of the parameters of a representative complex baseline.
- Abstract（参考訳）: 既存の連続時間グラフ学習法は、継続する相互作用履歴をエンコードするために複雑なニューラルネットワークアーキテクチャに大きく依存している。
しかし、複素ヒストリーによって引き起こされる将来の条件分布は、しばしば低次元の予測状態多様体によって特徴づけられる。
したがって、連続時間グラフ学習は、完全な歴史を再構築するよりも、将来の予測に十分な低次元状態を特定するべきだと論じる。
この視点を測るために、与えられたタスクに必要な効果的な予測自由度を定量化する本質的な予測次元を定義し、独立に推定する。
具体的には、履歴条件付き将来の分布から履歴非依存の限界を除去し、得られた予測残差演算子を分解し、全履歴の予測力を維持するために必要な最小の有効ランクを推定する。
データセット間の実験により、モデルの性能飽和は本質的な予測次元によって決定されることが示された。
そこで本研究では,本質的な予測次元とキャパシティが一致した軽量モデルであるPreDyGを提案する。
PreDyGは、代表的複素ベースラインのパラメータのわずか0.07\%で優れた予測性能を達成する。
関連論文リスト
- Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective [62.26673106147725]
条件付き生成モデル問題として,イベントシーケンスのマルチ水平予測について検討する。
予測は予測精度だけでなく,分布的リアリズムについても評価する。
本稿では,現実主義・強拡散モデルからのサンプルを最先端の予測器に集約するアルゴリズムであるWasserstein BaryBoosterを紹介する。
論文 参考訳（メタデータ） (2026-10-08T18:07:47Z) - Memory Prediction Excess: A Probabilistic Quantity for Predictive Gain and Memory Length in Stochastic Processes [4.374181093564213]
本稿では,この問題に定量的に対処するために,メモリ予測エクササイズ(MPE)を導入する。
MPEは観測履歴全体を用いて得られた予測精度を平均的に改善する。
最適条件予測精度と最適静的予測精度との差として定義される。
論文 参考訳（メタデータ） (2026-09-28T08:52:12Z) - Random features models: a way to study the success of naive imputation [0.0]
これは、欠落したデータを扱うための最初の使い易いテクニックである。
最近の研究は、このバイアスが高次元線形予測器の文脈で低いことを示唆している。
本稿は, 偏見が無視可能であり, 意外なナイーブな計算も極めて低次元で関連している,という直感を裏付けるものである。
論文 参考訳（メタデータ） (2024-02-06T09:37:06Z) - Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。
軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。
提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
論文 参考訳（メタデータ） (2023-12-22T01:48:09Z) - Finding Islands of Predictability in Action Forecasting [7.215559809521136]
将来のアクションシーケンスは1つの抽象化レベルではなく、変数でより正確にモデル化されていることを示す。
本稿では,ベイズニューラルネットワークと階層的畳み込みセグメンテーションモデルを組み合わせて,将来の行動を正確に予測し,抽象化レベルを最適に選択する手法を提案する。
論文 参考訳（メタデータ） (2022-10-13T21:01:16Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。
エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。
我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文 参考訳（メタデータ） (2022-01-25T06:23:10Z) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow
Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。
具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。
短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文 参考訳（メタデータ） (2020-04-23T08:30:00Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。