論文の概要: Inductive Graph Neural Networks for Spatiotemporal Kriging

• arxiv url: http://arxiv.org/abs/2006.07527v2
• Date: Sat, 19 Dec 2020 16:09:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 20:33:39.352154
• Title: Inductive Graph Neural Networks for Spatiotemporal Kriging
• Title（参考訳）: 時空間クリギングのためのインダクティブグラフニューラルネットワーク
• Authors: Yuankai Wu, Dingyi Zhuang, Aurelie Labbe and Lijun Sun
• Abstract要約: ネットワーク/グラフ構造上のアンサンプリングセンサのデータを復元するインダクティブグラフニューラルネットワークモデルを開発した。 複数の実世界の時間的データセットに対する実験結果から,本モデルの有効性が示された。
• 参考スコア（独自算出の注目度）: 13.666589510218738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting and spatiotemporal kriging are the two most important tasks in spatiotemporal data analysis. Recent research on graph neural networks has made substantial progress in time series forecasting, while little attention has been paid to the kriging problem -- recovering signals for unsampled locations/sensors. Most existing scalable kriging methods (e.g., matrix/tensor completion) are transductive, and thus full retraining is required when we have a new sensor to interpolate. In this paper, we develop an Inductive Graph Neural Network Kriging (IGNNK) model to recover data for unsampled sensors on a network/graph structure. To generalize the effect of distance and reachability, we generate random subgraphs as samples and reconstruct the corresponding adjacency matrix for each sample. By reconstructing all signals on each sample subgraph, IGNNK can effectively learn the spatial message passing mechanism. Empirical results on several real-world spatiotemporal datasets demonstrate the effectiveness of our model. In addition, we also find that the learned model can be successfully transferred to the same type of kriging tasks on an unseen dataset. Our results show that: 1) GNN is an efficient and effective tool for spatial kriging; 2) inductive GNNs can be trained using dynamic adjacency matrices; 3) a trained model can be transferred to new graph structures and 4) IGNNK can be used to generate virtual sensors.
• Abstract（参考訳）: 時系列予測と時空間クリグは時空間データ解析において最も重要な2つのタスクである。 グラフニューラルネットワークに関する最近の研究は、時系列予測にかなりの進歩をもたらしているが、サンプリングされていない場所やセンサーの信号を回復するkriging問題にはほとんど注意が払われていない。 既存のスケーラブルなkrigingメソッド(例えば、マトリックス/テンソル補完)は、トランスダクティブであり、補間するための新しいセンサーがある場合、完全なリトレーニングが必要である。 本稿では,インダクティブグラフニューラルネットワーク(IGNNK, Inductive Graph Neural Network Kriging)モデルを構築し,ネットワーク/グラフ構造上のアンサンプリングセンサのデータを復元する。 距離と到達性の影響を一般化するため,サンプルとしてランダムな部分グラフを生成し,各サンプルに対して対応する隣接行列を再構成する。 各サンプルサブグラフ上のすべての信号を再構成することにより、IGNNKは空間メッセージパッシング機構を効果的に学習することができる。 実世界の時空間データセットにおける実験結果から,モデルの有効性が示された。 さらに、学習したモデルは、目に見えないデータセット上の同じタイプのクリグタスクにうまく転送できることがわかった。 結果はこう示しています 1)GNNは空間クリギングの効率的かつ効果的なツールである。 2)誘導性GNNは動的隣接行列を用いて訓練することができる。 3) トレーニングされたモデルを新しいグラフ構造に転送し、 4)IGNNKは仮想センサの生成に使用できる。

関連論文リスト

• Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks [89.28881869440433]
  本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。 解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
  論文  参考訳（メタデータ） (2023-02-06T16:54:20Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Invertible Neural Networks for Graph Prediction [22.140275054568985]
  本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。 私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
  論文  参考訳（メタデータ） (2022-06-02T17:28:33Z)
• Learning to Reconstruct Missing Data from Spatiotemporal Graphs with Sparse Observations [11.486068333583216]
  本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。 我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。 技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
  論文  参考訳（メタデータ） (2022-05-26T16:40:48Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Spatial Aggregation and Temporal Convolution Networks for Real-time Kriging [3.4386226615580107]
  SATCNは、モデル仕様を必要とせずに、様々なデータセットに対してテンポラリグを実行する、普遍的で柔軟なフレームワークである。 我々は時間的畳み込みネットワークによってノードをキャプチャし、モデルがさまざまなサイズのデータに対処できるようにする。 我々は、交通や気候記録を含む3つの実世界のデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-09-24T18:43:07Z)
• Online Graph Topology Learning from Matrix-valued Time Series [0.0]
  焦点は、センサのネットワーク上でデータを収集する行列値時系列の統計解析である。 目標は、これらのセンサー間の依存関係構造を特定し、それをグラフで表現することだ。 オンラインアルゴリズムはこれらの拡張データモデルに適応しており、ストリーミングサンプルからグラフとトレンドを同時に学習することができる。
  論文  参考訳（メタデータ） (2021-07-16T17:21:14Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)

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。