論文の概要: MambaTG: Candidate-Aware State Space Modeling for Future Link Prediction on Temporal Graphs

• arxiv url: http://arxiv.org/abs/2611.07569v1
• Date: Thu, 05 Nov 2026 07:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.579896
• Title: MambaTG: Candidate-Aware State Space Modeling for Future Link Prediction on Temporal Graphs
• Title（参考訳）: MambaTG: 時間グラフ上の将来のリンク予測のための候補対応状態空間モデリング
• Abstract要約: 時間グラフ上の将来のリンク予測には、以前に接続されたノードペア間の繰り返しの相互作用が含まれる。 目に見えない予測は、歴史的再発を越えて一般化されなければならない。 この2つの信号を共同でモデル化するMambaTGを提案する。
• 参考スコア（独自算出の注目度）: 8.675875297778177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future link prediction on temporal graphs involves both repeated interactions between previously connected node pairs and first-time interactions between pairs with no prior interaction. While repeated-edge prediction can exploit direct pairwise evidence, unseen-edge prediction must generalize beyond historical recurrence. Existing temporal graph models often exploit signals tied to recurring interactions or historical overlap, which are highly informative for repeated edges but become limited or unavailable for unseen edges, contributing to substantial performance degradation on unseen-edge prediction. Based on this observation, we identify two complementary signals for modeling sequential dynamics beyond historical recurrence: (1) historical-sequence evolution, which captures dependencies among the source node's chronologically ordered interactions, and (2) candidate--history compatibility, which captures how well a candidate fits the source node's evolving history. Based on the decomposition, we propose MambaTG, a candidate-aware Mamba-based framework that jointly models these two signals. Mamba provides a natural mechanism for this design: its selective recurrence captures the evolution of ordered interaction histories, while its input-dependent state transitions allow the history state to adapt to different candidate inputs. Extensive experiments on 13 temporal graph datasets against 13 representative baselines show that MambaTG achieves strong and consistent performance across both repeated and unseen edges while remaining computationally efficient.
• Abstract（参考訳）: 時間グラフ上の将来のリンク予測には、以前に連結されたノードペア間の繰り返しの相互作用と、事前の相互作用を持たないペア間のファーストタイムの相互作用の両方が含まれる。 繰り返しエッジ予測は直接的なペアの証拠を活用できるが、見知らぬエッジ予測は過去の再帰を超えて一般化されなければならない。 既存の時間グラフモデルは、しばしば繰り返しの相互作用や歴史的重複に結びついた信号を利用するが、これは繰り返しのエッジに対して非常に有益であるが、目に見えないエッジでは限定的または利用できないものとなり、目に見えないエッジの予測における大幅な性能低下に寄与する。 本研究は,(1)時系列的に順序づけられた相互作用の依存関係を捉えた履歴系列進化,(2)候補-履歴整合性,(2)候補-履歴整合性,および(2)候補-履歴整合性,という2つの相補的信号を用いて,過去の再帰を超えて逐次的ダイナミクスをモデル化する。 この分解に基づいて,これらの2つの信号を共同でモデル化する候補を意識したマンバベースフレームワークであるマンバTGを提案する。 選択的な再帰は順序付けられた相互作用履歴の進化を捉え、入力依存状態遷移は履歴状態が異なる入力に適応することを可能にする。 13の時間グラフデータセットと13の代表的なベースラインに対する大規模な実験により、MambaTGは計算効率を保ちながら、繰り返しエッジと見えないエッジの両方にわたって、強く一貫したパフォーマンスを達成することが示された。

関連論文リスト

• Dynamic Graph World Modelling: Learning Future Dynamics from Temporal Context [17.526725656417238]
  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。
  論文  参考訳（メタデータ） (2026-10-14T01:09:47Z)
• Stochastic Event Prediction via Temporal Motif Transitions [0.0]
  時間的リンク予測手法は、通常、タスクを負のサンプリングを伴うバイナリ分類として表す。 本稿では、時系列リンク予測を連続時間における逐次予測問題として再構成するフレームワークSTEP(Stochastic Event Predictor)を紹介する。
  論文  参考訳（メタデータ） (2026-03-06T03:51:40Z)
• Sequence Diffusion Model for Temporal Link Prediction in Continuous-Time Dynamic Graph [5.83093727437226]
  既存の時間グラフニューラルネットワークは、主に歴史的相互作用の学習表現に焦点を当てている。 本稿では,動的グラフ学習を生成的認知と統合する,新しいシーケンスレベルの拡散フレームワークを提案する。 我々は,時間的リンク予測タスクにおいて,このフレームワークが常に最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-01-30T18:02:12Z)
• Repeat-Aware Neighbor Sampling for Dynamic Graph Learning [8.975322389416734]
  既存の研究は、主に最新の隣のシーケンスに依存して進化するパターンを得る。 将来、2つのノードが相互に相互作用するかどうかは、過去に起こったのと同じ相互作用と非常に相関している、と我々は主張する。 本稿では,近隣のサンプリング戦略と時間情報学習における1次・高次反復行動の進化パターンを考察したRepeatMixerを提案する。
  論文  参考訳（メタデータ） (2024-05-24T03:24:29Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• History Repeats Itself: Human Motion Prediction via Motion Attention [81.94175022575966]
  注意に基づくフィードフォワードネットワークを導入し、人間の動きが自分自身を繰り返す傾向にあるという観察を明示的に活用する。 特に,現在動きのコンテキストと過去の動きのサブシーケンスの類似性を捉えるために,動きの注意を抽出することを提案する。 我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を実証した。
  論文  参考訳（メタデータ） (2020-07-23T02:12:27Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。