Dynamic Representation Learning with Temporal Point Processes for Higher-Order Interaction Forecasting

要約

デジタル情報の爆発的な増加とソーシャル ネットワークへの参加の増加により、インタラクション データから意味のある情報を抽出できる方法を開発するための膨大な研究活動が行われました。
一般に、相互作用はネットワークまたはグラフのエッジで表されます。これは、相互作用がペアワイズで静的であると暗黙的に想定しています。
ただし、現実世界の相互作用は次の仮定から逸脱します。(i) 相互作用は、3 つ以上のノードまたは個体 (家族関係、タンパク質相互作用など) を含む多方向である可能性があり、(ii) 相互作用は一定期間にわたって変化する可能性があります。
(例: 意見の変更や交友関係)。
ペアワイズ相互作用は動的ネットワーク設定で研究されており、多元相互作用は静的ネットワークでハイパーグラフを使用して研究されていますが、現在のところ、動的設定で多元相互作用またはハイパーエッジを予測できる方法はありません。
関連する既存のメソッドは、次に発生するインタラクションの種類や発生時期などの一時的なクエリに答えることができません。
この論文では、これらの問題に対処するために、ハイパーエッジ予測のための一時的なポイント プロセス モデルを提案します。
提案されたモデルは、ニューラル ポイント プロセス フレームワーク内のノードの動的表現学習手法を使用して、ハイパーエッジを予測します。
いくつかの実験結果を提示し、ベンチマーク結果を設定します。
私たちの知る限り、これは一時点プロセスを使用して動的ネットワークのハイパーエッジを予測する最初の作業です。

要約(オリジナル)

The explosion of digital information and the growing involvement of people in social networks led to enormous research activity to develop methods that can extract meaningful information from interaction data. Commonly, interactions are represented by edges in a network or a graph, which implicitly assumes that the interactions are pairwise and static. However, real-world interactions deviate from these assumptions: (i) interactions can be multi-way, involving more than two nodes or individuals (e.g., family relationships, protein interactions), and (ii) interactions can change over a period of time (e.g., change of opinions and friendship status). While pairwise interactions have been studied in a dynamic network setting and multi-way interactions have been studied using hypergraphs in static networks, there exists no method, at present, that can predict multi-way interactions or hyperedges in dynamic settings. Existing related methods cannot answer temporal queries like what type of interaction will occur next and when it will occur. This paper proposes a temporal point process model for hyperedge prediction to address these problems. Our proposed model uses dynamic representation learning techniques for nodes in a neural point process framework to forecast hyperedges. We present several experimental results and set benchmark results. As far as our knowledge, this is the first work that uses the temporal point process to forecast hyperedges in dynamic networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google