論文の概要: Learning the Past from the Future: Retrospective Reconstruction in Temporal Interaction Networks

• arxiv url: http://arxiv.org/abs/2610.33171v1
• Date: Fri, 23 Oct 2026 18:09:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.262665
• Title: Learning the Past from the Future: Retrospective Reconstruction in Temporal Interaction Networks
• Title（参考訳）: 未来から過去を学ぶ:時間的相互作用ネットワークにおけるふりかえりの再構築
• Abstract要約: tgbl-wiki と tgbl-comment データセットを用いた振り返り再構成について検討した。 2時間の窓を隠して、その相互作用を真実として利用し、その中の有向ペアをランク付けします。 過去の情報のみを用いたカウントベース削除とロジスティック回帰モデルと,1,6,24時間後のイベントを比較した。 24時間後の出来事の後、26時間のロジスティック回帰はtgbl-wikiにおける平均相反ランク(MRR)を0.039で改善し、歴史ランダムランキングでは0.046で、tgblでは0.108で改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal link prediction uses past interactions to predict future links. In practice, interaction records from web and mobile applications can contain gaps caused by logging failures, API limits or lost records, even when later events remain available. To our knowledge, the extent to which later events help recover interactions within such gaps has not been measured directly for this ranking task. We study retrospective reconstruction using the tgbl-wiki and tgbl-comment datasets. We hide a two-hour window, use its interactions as ground truth, and rank the directed pairs active within it. We compare count-based heuristics and logistic regression models using past information alone or together with 1, 6 or 24 hours of later events. Target pairs and candidate lists remain fixed across conditions, so differences in ranking performance cannot be attributed to changes in candidate selection. With 24 hours of later events, the 26-feature logistic regression improves mean reciprocal rank (MRR) by 0.039 on tgbl-wiki under exhaustive ranking, 0.046 under historical-random ranking, and 0.108 on tgbl-comment under historical-random ranking. The 26-feature logistic regression benefits from adding later features to past features, whereas replacing the past pair count with the later pair count reduces MRR by 0.157 on tgbl-wiki under exhaustive ranking. A control removing later interactions from query sources to historically observed destinations reduces the MRR gain by 59% on tgbl-wiki and 10% on tgbl-comment. Because this control removes more than repeated target pairs, these reductions cannot be attributed to pair recurrence alone. Later events improve the ranking of hidden interactions on both datasets, including tgbl-comment, where only 6.4% of target pairs reappeared within 24 hours.
• Abstract（参考訳）: 時間的リンク予測は、過去のインタラクションを使用して将来のリンクを予測する。 実際には、Webとモバイルアプリケーションのインタラクションレコードには、ロギング障害やAPI制限、あるいは失われたレコードによるギャップが含まれている。 我々の知る限り、このランキングタスクでは、後続のイベントがそのようなギャップ内での相互作用の回復に役立っているかは直接測定されていない。 tgbl-wiki と tgbl-comment データセットを用いた振り返り再構成について検討した。 2時間の窓を隠して、その相互作用を真実として使用し、その中の有向ペアをランク付けします。 過去の情報のみを用いたカウントベースヒューリスティックスとロジスティック回帰モデルと,1,6,24時間後の出来事を比較した。 ターゲットペアと候補リストは条件によって固定されているため、ランク付け性能の違いは候補選択の変化によるものではない。 24時間後の出来事では、26時間のロジスティック回帰により、tgbl-wikiにおける平均相反ランク(MRR)が0.039で、歴史ランダムランキングでは0.046で、歴史ランダムランキングでは0.108で改善された。 一方、過去のペアカウントを後のペアカウントに置き換えることで、tgbl-wiki上でのMRRを0.157削減する。 クエリソースから歴史的に観察された宛先への後続のインタラクションを削除する制御により、MRRはtgbl-wikiで59%、tgbl-commentで10%向上する。 この制御は、反復するターゲットペアを除去するので、この還元はペアの反復のみによるものではない。 その後のイベントは、tgbl-commentを含む両方のデータセット上の隠れたインタラクションのランキングを改善し、24時間以内にターゲットペアの6.4%が再出現した。

関連論文リスト

• Data-Free Continual Learning for World Action Model with Rectified Generative Replay [90.37377840364985]
  WAMは,過去を再現することで,データのない連続学習を実現することができることを示す。 本稿では,タスク完了時に生成したロールアウトを切断する修正生成再生(R$2$-WAM)を提案する。 我々の分析は、WAMが生成した動作が失敗しながらも、まだ忘れられたWAMが以前のタスクの視覚的に妥当な観察を生んでいることを明らかにしている。
  論文  参考訳（メタデータ） (2026-10-13T09:27:32Z)
• LARC: Low-Rank Adaptive Residual Connections for Learning in Frozen Models [0.5371337604556311]
  本稿では,メモリ・メディア・ラーニング・アーキテクチャにおける数値ポリシ・キャリアの入力側実現について述べる。 凍結したMiniCPM5-1B-SFT基板上で12,288個のトレーニング可能なパラメータを持つランク4入力残基について検討した。
  論文  参考訳（メタデータ） (2026-09-30T16:21:39Z)
• 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)
• Recommendation World Models for Future-State Control [53.191633845200876]
  我々は、訓練されたランク付け者が将来の結果についての意思決定を支援する方法について研究する。 UA-TWM(UA-TWM)は,近傍のスレート動作を構成するユーティリティアンコールなワールドモデルインタフェースである。 本研究は,MovieLens-25MとKuaiRand-Pureにおける12の逐次バックボーン間の移動と,KuaiSimにおけるターゲット指向インタラクションの繰り返しを評価する。
  論文  参考訳（メタデータ） (2026-09-25T02:37:48Z)
• BridgeMem: Causal Dyadic Transition Residuals for Temporal Knowledge Graph Forecasting [7.386042063378315]
  そこで,BridgeMemを導入し,クエリアクタと候補との事前関係がターゲット関係の確率を変化させる方法を推定する。 各候補について、BridgeMemは、t に厳密に先行するペアのイベントを検索し、それらの関係、方向、ラグをエンコードし、それらを確率比補正に変換する。 5つのベンチマークで、BridgeMemは2021年から2026年までの9つのベースラインで、フィルタされた20のMRRとHits@1,3,10の比較を最強に改善した。
  論文  参考訳（メタデータ） (2026-09-24T09:05:43Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• CODS: Iterative Bellman-Residual Data Selection for Reusable Offline Reinforcement Learning [5.894992157122175]
  我々は,アルゴリズムに適合した批評家の適合と高レジデンシャル・トランジションの獲得を交互に行う,批評家誘導のセレクタであるCODSを紹介する。 10%の予算で、CODSは20の有効なD4RLタスク-アルゴリズム細胞に対して96.6%の許容プール性能を維持している。
  論文  参考訳（メタデータ） (2026-08-07T19:11:54Z)
• Training-Free Lexical-Dense Fusion for Conversational-Memory Retrieval [0.0]
  新しいクエリに応答する過去数回を検索することは、長期的な会話メモリの背後にある検索ボトルネックである。 最近の研究であるNano-Memoryは、クエリターンの最大類似度によるセッションのスコアが平均プールされたセッションの埋め込みを上回っていることを示している。 私たちはそれを複製し、トレーニングなしのCPUのみの検索ステージに何を追加するべきかを尋ねます。
  論文  参考訳（メタデータ） (2026-06-02T20:22:16Z)

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。