[論文レビュー] Mag-Mamba: Modeling Coupled spatiotemporal Asymmetry for POI Recommendation

Zhuoxuan Li, Tangwei Ye+7 more|arXiv (Cornell University)|Feb 10, 2026

Human Mobility and Location-Based Analysis被引用数 0

ひとこと要約

Mag-Mamba は次の POI 推定のために時間条件付き磁気位相エンコーダと複素数値 Mamba 層を導入し、3つの実世界データセットで最先端の結果を達成します。

ABSTRACT

Next Point-of-Interest (POI) recommendation is a critical task in location-based services, yet it faces the fundamental challenge of coupled spatiotemporal asymmetry inherent in urban mobility. Specifically, transition intents between locations exhibit high asymmetry and are dynamically conditioned on time. Existing methods, typically built on graph or sequence backbones, rely on symmetric operators or real-valued aggregations, struggling to unify the modeling of time-varying global directionality. To address this limitation, we propose Mag-Mamba, a framework whose core insight lies in modeling spatiotemporal asymmetry as phase-driven rotational dynamics in the complex domain. Based on this, we first devise a Time-conditioned Magnetic Phase Encoder that constructs a time-conditioned Magnetic Laplacian on the geographic adjacency graph, utilizing edge phase differences to characterize the globally evolving spatial directionality. Subsequently, we introduce a Complex-valued Mamba module that generalizes traditional scalar state decay into joint decay-rotation dynamics, explicitly modulated by both time intervals and magnetic geographic priors. Extensive experiments on three real-world datasets demonstrate that Mag-Mamba achieves significant performance improvements over state-of-the-art baselines.

研究の動機と目的

• 都市モビリティにおける結合した時空間非対称性の課題を動機づけ、次POI推定へ対応する。
• 地理グラフ上で時間変化する方向性フローを捉える時間条件付き Magnetic Phase Encoder を提案する。
• 時間間隔と磁気事前情報で変調された減衰-回転ダイナミクスを実現する Complex-valued Mamba モジュールを開発する。
• Magnetic Laplacian を介してスペクトル位相基底を事前計算し、位相信号の世界的整合性を保証する。
• 実世界の3つの LBSN データセットで最先端ベースラインを上回る性能を示す。

提案手法

• 静的到達可能性を符号化するために、対称隣接行列 W を用いて半径ベースの地理グラフを構築する。
• 平滑化された対数比と双曲線正接を用いて有向遷移カウントから時間ビン特有の方向信号 s(e,b) を計算し、低秩 SVD で圧縮して Pi（時刻因子）と Psi（エッジ基底）を得る。
• Psi を反対称行列 A(r) にリフトして Hermitian 複素隣接行列 H(r) と磁気ラプラシアン L(r) を形成し、固有ベクトル U(r) の位相を安定性のために単位モジュラスへ正規化する。
• 現在の POI 埋め込みと出発点 POI 埋め込みから時刻条件付き位相差 Delta U_t^(r) を抽出し、Pi と共に R 基底で混合して per-step の磁気位相特徴量 m_t（Re/Im の連結）を得る。
• 文脈（POI、カテゴリ、ユーザ、時間特徴）を D 次元のバックボーン x_t に埋め込み、 Mag-Mamba 層へ入力する。
• Mag-Mamba を複素数回帰として実装する：バックボーンを (u_t, B_t, C_t) に分解し、トークンと磁気 phase から角速度 theta_t を計算し、時間差をステップサイズ delta_t に写像し、減衰-回転ダイナミクスを用いた交互の 2D 回転を適用して状態 h_t と出力 y_t を更新し、最終 Z_t のリードアウトゲートを適用する。

実験結果

リサーチクエスチョン

• RQ1 POI 推薦における時間条件付き時空間方向性はどのようにモデル化できるか。
• RQ2 複素数値・回転ベースの再帰機構は、対称性がないまたは純実数モデルよりも結合した時空間非対称性をより効果的に捉えられるか。
• RQ3 磁気ラプラシアン基盤の位相エンコーディングと減衰-回転 Mamba 層を統合することで、異なる都市データセットで次POI予測が改善されるか。

主な発見

Method	NYC_ND@1	NYC_ND@5	NYC_ND@10	NYC_MRR	TKY_ND@1	TKY_ND@5	TKY_ND@10	TKY_MRR	CA_ND@1	CA_ND@5	CA_ND@10	CA_MRR
LSTM	0.1306	0.2336	0.2585	0.2259	0.1110	0.2233	0.2496	0.1952	0.0864	0.1459	0.1711	0.1554
PLSPL	0.1601	0.3048	0.3336	0.2849	0.1495	0.2831	0.3143	0.2642	0.1084	0.1759	0.2029	0.1678
HME	0.1619	0.2806	0.3226	0.2787	0.1535	0.2637	0.2924	0.2366	0.1181	0.1886	0.2232	0.1945
GETNext	0.2244	0.3736	0.4046	0.3472	0.1767	0.3072	0.3297	0.2934	0.1342	0.2188	0.2468	0.2121
AGRAN	0.2202	0.3638	0.3792	0.3343	0.1755	0.2989	0.3261	0.2879	0.1329	0.2121	0.2331	0.2043
ROTAN	0.2192	0.3652	0.3944	0.3468	0.1822	0.3165	0.3467	0.3186	0.1345	0.2173	0.2564	0.2256
MCLP	0.2404	0.3674	0.3973	0.3507	0.1662	0.3110	0.3415	0.3199	0.1324	0.1914	0.2121	0.1895
MTNet	0.2346	0.3689	0.4013	0.3522	0.2107	0.3345	0.3612	0.3191	0.1401	0.2346	0.2617	0.2387
GeoMamba	0.1988	0.3392	0.3506	0.3246	0.1851	0.2953	0.3205	0.2858	0.1256	0.2029	0.2215	0.1962
HMST	0.2138	0.3747	0.4063	0.3482	0.1925	0.3325	0.3690	0.3257	0.1356	0.2325	0.2680	0.2300
HVGAE	0.2271	0.3651	0.3982	0.3470	0.1977	0.3167	0.3455	0.3180	0.1391	0.2325	0.2658	0.2367
Mag-Mamba	0.2451	0.3823	0.4149	0.3603	0.2417	0.3602	0.3889	0.3455	0.1595	0.2528	0.2761	0.2462

• Mag-Mamba は NYC、TKY、CA の3つの実世界データセットで11のベースラインを上回り、NDCG@1, NDCG@5, NDCG@10, MRR で優れた性能を示した。
• 時間条件付き Magnetic Phase Encoder は回帰を支配する位相信号を改善する時間変化する方向性 priors を提供する。
• 減衰-回転ダイナミクスを備えた複素数値 Mamba 層は、時間間隔と磁気 priors を同時に考慮することで系列モデリングを改善する。
• データセットを通じて Mag-Mamba は一貫して GeoMamba や他の最先端 POI 推薦器を上回り、複素領域で時空間非対称性を結合させる利点を示している。