Deep graph kernel point processes

要約

点過程モデルは連続的な非同期イベントデータに対して広く用いられており、各データ点には時間と「マーク」と呼ばれる付加的な情報が含まれる。この論文では、グラフ上の離散イベントデータに対する新しい点過程モデルを提示する。我々のモデルは、Hawkesの古典的な影響カーネルに基づく定式化を基に、将来のイベントの発生に対する過去のイベントの影響を捕捉するための自己励起点過程である。重要なアイデアは、GNNの強力な表現力を利用しながら、グラフ構造を捕捉するために、グラフニューラルネットワーク（GNN）によって影響カーネルを表現することである。ニューラルネットワークを用いて条件付き強度関数を直接モデル化することに焦点を当てた先行研究と比較して、我々のカーネル表現は、統計モデルとディープモデルを組み合わせることにより、より効果的に繰り返しイベントの影響パターンを群化し、より優れたモデル推定/学習効率と優れた予測性能を達成する。このカーネルは、観測空間がグラフではなくユークリッド空間であるという根本的な性質の違いにより、我々の設定には適用できない。合成データと実データを用いた包括的な実験により、将来の事象の予測とデータ間の関係構造の解明において、提案アプローチが最先端技術に対して優れた性能を持つことを示す。

要約(オリジナル)

Point process models are widely used for continuous asynchronous event data, where each data point includes time and additional information called ‘marks’, which can be locations, nodes, or event types. This paper presents a novel point process model for discrete event data over graphs, where the event interaction occurs within a latent graph structure. Our model builds upon Hawkes’s classic influence kernel-based formulation in the original self-exciting point processes work to capture the influence of historical events on future events’ occurrence. The key idea is to represent the influence kernel by Graph Neural Networks (GNN) to capture the underlying graph structure while harvesting the strong representation power of GNNs. Compared with prior works focusing on directly modeling the conditional intensity function using neural networks, our kernel presentation herds the repeated event influence patterns more effectively by combining statistical and deep models, achieving better model estimation/learning efficiency and superior predictive performance. Our work significantly extends the existing deep spatio-temporal kernel for point process data, which is inapplicable to our setting due to the fundamental difference in the nature of the observation space being Euclidean rather than a graph. We present comprehensive experiments on synthetic and real-world data to show the superior performance of the proposed approach against the state-of-the-art in predicting future events and uncovering the relational structure among data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL