論文の概要: FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2007.15531v2
• Date: Mon, 14 Dec 2020 19:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 13:33:44.951774
• Title: FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting
• Title（参考訳）: FC-GAGA:時空間交通予測のための完全連結グラフアーキテクチャ
• Authors: Boris N. Oreshkin, Arezou Amini, Lucy Coyle, Mark J. Coates
• Abstract要約: 本稿では,既存のアルゴリズムと競合する性能を実現する新しい学習アーキテクチャを提案する。 提案アーキテクチャの鍵となる要素は、学習可能な完全に連結されたハードグラフゲーティング機構である。 2つのパブリックトラフィックネットワークデータセットの実験結果は、我々のアプローチの価値を示しています。
• 参考スコア（独自算出の注目度）: 11.011268090482575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting of multivariate time-series is an important problem that has applications in traffic management, cellular network configuration, and quantitative finance. A special case of the problem arises when there is a graph available that captures the relationships between the time-series. In this paper we propose a novel learning architecture that achieves performance competitive with or better than the best existing algorithms, without requiring knowledge of the graph. The key element of our proposed architecture is the learnable fully connected hard graph gating mechanism that enables the use of the state-of-the-art and highly computationally efficient fully connected time-series forecasting architecture in traffic forecasting applications. Experimental results for two public traffic network datasets illustrate the value of our approach, and ablation studies confirm the importance of each element of the architecture. The code is available here: https://github.com/boreshkinai/fc-gaga.
• Abstract（参考訳）: 多変量時系列の予測は、トラフィック管理、セルネットワーク構成、定量的ファイナンスに応用できる重要な問題である。 問題の特別なケースは、時系列間の関係をキャプチャするグラフが利用可能であるときに発生する。 本稿では,グラフの知識を必要とせず,既存のアルゴリズムよりも優れた性能を実現する新しい学習アーキテクチャを提案する。 提案アーキテクチャの鍵となる要素は学習可能な完全連結型ハードグラフゲーティング機構であり,トラヒック予測アプリケーションにおける最先端かつ高効率な完全連結型時系列予測アーキテクチャの利用を可能にする。 2つのパブリックトラフィックネットワークデータセットの実験結果からアプローチの価値が示され,アーキテクチャの各要素の重要性が検証された。 コードは、https://github.com/boreshkinai/fc-gaga。

関連論文リスト

• Graph Neural Alchemist: An innovative fully modular architecture for time series-to-graph classification [0.0]
  本稿では時系列分類のための新しいグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 時系列を可視グラフとして表現することにより、時系列データ固有の時間的依存関係の両方を符号化することができる。 私たちのアーキテクチャは完全にモジュール化されており、異なるモデルで柔軟な実験を可能にします。
  論文  参考訳（メタデータ） (2024-10-12T00:03:40Z)
• Multi-conditioned Graph Diffusion for Neural Architecture Search [8.290336491323796]
  本稿では、離散的な条件付きグラフ拡散プロセスを用いて、高性能ニューラルネットワークアーキテクチャを生成するグラフ拡散に基づくNAS手法を提案する。 6つの標準ベンチマークで有望な結果を示し、新しいアーキテクチャとユニークなアーキテクチャを高速に実現します。
  論文  参考訳（メタデータ） (2024-03-09T21:45:31Z)
• Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
  教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。 本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。 我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-03-08T05:23:55Z)
• TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting [20.03223916749058]
  時系列予測は、科学と工学における重要な現実世界の応用の核心にある。 動的時間グラフ表現を学習するTimeGNNを提案する。 TimeGNNは、他の最先端のグラフベースの手法よりも4倍から80倍高速な推論時間を実現している。
  論文  参考訳（メタデータ） (2023-07-27T08:10:19Z)
• Sparsity exploitation via discovering graphical models in multi-variate time-series forecasting [1.2762298148425795]
  本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。 まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。 次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-29T16:48:00Z)
• Arch-Graph: Acyclic Architecture Relation Predictor for Task-Transferable Neural Architecture Search [96.31315520244605]
  Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。 Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。 わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2022-04-12T16:46:06Z)
• CDGNet: A Cross-Time Dynamic Graph-based Deep Learning Model for Traffic Forecasting [7.169972421976212]
  トラフィック予測のための新しいクロスタイム動的グラフベースディープラーニングモデルCDGNetを提案する。 本研究では,実世界の空間的相関をスパースする時間的動的グラフをスパースするゲーティング機構を設計する。
  論文  参考訳（メタデータ） (2021-12-06T01:56:07Z)
• 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)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。