Fugu-MT 論文翻訳(概要): Time-Varying Graph Learning with Constraints on Graph Temporal Variation

論文の概要: Time-Varying Graph Learning with Constraints on Graph Temporal Variation

arxiv url: http://arxiv.org/abs/2001.03346v1
Date: Fri, 10 Jan 2020 08:33:51 GMT
ステータス: 処理完了
システム内更新日: 2023-01-12 23:40:10.758470
Title: Time-Varying Graph Learning with Constraints on Graph Temporal Variation
Title（参考訳）: グラフ時間変化の制約を考慮した時変グラフ学習
Authors: Koki Yamada, Yuichi Tanaka, Antonio Ortega
Abstract要約: 時間変動ネットワークの時間変動のスパース性を制限する凸最適化問題において2つの正規化項を導入する。最適化問題を効率的に解くために計算可能アルゴリズムを導入する。
参考スコア（独自算出の注目度）: 46.218671952531324
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel framework for learning time-varying graphs from spatiotemporal measurements. Given an appropriate prior on the temporal behavior of signals, our proposed method can estimate time-varying graphs from a small number of available measurements. To achieve this, we introduce two regularization terms in convex optimization problems that constrain sparseness of temporal variations of the time-varying networks. Moreover, a computationally-scalable algorithm is introduced to efficiently solve the optimization problem. The experimental results with synthetic and real datasets (point cloud and temperature data) demonstrate our proposed method outperforms the existing state-of-the-art methods.
Abstract（参考訳）: 時空間計測から時変グラフを学習するための新しい枠組みを提案する。信号の時間的振舞いの適切な事前を前提として,本提案手法では,少数の測定値から時間変化グラフを推定できる。これを実現するために、時間変動ネットワークの時間変動のスパース性を制限する凸最適化問題に2つの正規化項を導入する。さらに,最適化問題を効率的に解くために計算スカラーアルゴリズムを導入する。合成および実データ(点雲と温度データ)による実験結果は,提案手法が既存の最先端手法よりも優れていることを示す。

関連論文リスト

Dimensionality Collapse: Optimal Measurement Selection for Low-Error Infinite-Horizon Forecasting [3.5788754401889022]
我々は,Clam'er-Raolow bound (CRLB) の時間平均トレースをコストとして予測することで,連続線形測定設計を無限水平問題として解決する。自然指数族からの付加雑音による測定に関する理論的結果を導入することにより、局所的な次元減少を導出できる等価な問題を構築する。この別の定式化は、多くの微分方程式の極限挙動に固有の次元の将来の崩壊に基づいており、予測のためのCRLBの低ランク構造で直接観察することができる。
論文参考訳（メタデータ） (2023-03-27T17:25:04Z)
Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文参考訳（メタデータ） (2023-02-01T08:50:48Z)
Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
論文参考訳（メタデータ） (2022-09-30T18:24:13Z)
Sparse Graph Learning from Spatiotemporal Time Series [16.427698929775023]
本稿では,グラフ上の分布として関係依存を学習するグラフ学習フレームワークを提案する。提案手法は,エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントと同様に,スタンドアローンのグラフ識別手法として利用できることを示す。
論文参考訳（メタデータ） (2022-05-26T17:02:43Z)
Learning Sparse Graphs via Majorization-Minimization for Smooth Node Signals [8.140698535149042]
本稿では,その隣接行列を推定することにより,スパース重み付きグラフを学習するアルゴリズムを提案する。提案アルゴリズムは,本論文におけるいくつかの既存手法よりも,平均反復回数の観点から,より高速に収束することを示す。
論文参考訳（メタデータ） (2022-02-06T17:06:13Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets [0.0]
時系列モデルの構築とトレーニングのための新しいアプローチを提案する。提案手法は,非定常時系列の予測モデル構築に適している。
論文参考訳（メタデータ） (2020-11-23T21:28:03Z)
Efficient Variational Bayesian Structure Learning of Dynamic Graphical Models [19.591265962713837]
時間変化のグラフィカルモデルの推定は、様々な社会的、経済的、生物学的、工学的システムにおいて最重要となる。既存の手法では、グラフの間隔と時間的滑らかさを制御するパラメータを広範囲にチューニングする必要がある。我々はBADGEという低複素性チューニング自由ベイズアプローチを提案する。
論文参考訳（メタデータ） (2020-09-16T14:19:23Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)
Time-varying Gaussian Process Bandit Optimization with Non-constant Evaluation Time [93.6788993843846]
非定常評価時間を効果的に処理できる新しい時間変化ベイズ最適化アルゴリズムを提案する。我々の限界は、評価時間列のパターンが問題の難易度に大きな影響を与えることを決定づける。
論文参考訳（メタデータ） (2020-03-10T13:28:33Z)

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。