論文の概要: Auto-STGCN: Autonomous Spatial-Temporal Graph Convolutional Network
Search Based on Reinforcement Learning and Existing Research Results
- arxiv url: http://arxiv.org/abs/2010.07474v1
- Date: Thu, 15 Oct 2020 02:33:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 03:07:59.822207
- Title: Auto-STGCN: Autonomous Spatial-Temporal Graph Convolutional Network
Search Based on Reinforcement Learning and Existing Research Results
- Title（参考訳）: Auto-STGCN:強化学習と既存研究結果に基づく自律的空間時間グラフ畳み込みネットワーク探索
- Authors: Chunnan Wang, Kaixin Zhang, Hongzhi Wang, Bozhou Chen
- Abstract要約: 近年,多くの時空間グラフ畳み込みネットワーク(STGCN)モデルが,時空間ネットワークデータ予測問題に対処するために提案されている。
本稿では,既存のモデルを用いて高性能STGCNモデルを自動的に探索するAuto-STGCNアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 4.595675084986132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, many spatial-temporal graph convolutional network (STGCN)
models are proposed to deal with the spatial-temporal network data forecasting
problem. These STGCN models have their own advantages, i.e., each of them puts
forward many effective operations and achieves good prediction results in the
real applications. If users can effectively utilize and combine these excellent
operations integrating the advantages of existing models, then they may obtain
more effective STGCN models thus create greater value using existing work.
However, they fail to do so due to the lack of domain knowledge, and there is
lack of automated system to help users to achieve this goal. In this paper, we
fill this gap and propose Auto-STGCN algorithm, which makes use of existing
models to automatically explore high-performance STGCN model for specific
scenarios. Specifically, we design Unified-STGCN framework, which summarizes
the operations of existing architectures, and use parameters to control the
usage and characteristic attributes of each operation, so as to realize the
parameterized representation of the STGCN architecture and the reorganization
and fusion of advantages. Then, we present Auto-STGCN, an optimization method
based on reinforcement learning, to quickly search the parameter search space
provided by Unified-STGCN, and generate optimal STGCN models automatically.
Extensive experiments on real-world benchmark datasets show that our Auto-STGCN
can find STGCN models superior to existing STGCN models with heuristic
parameters, which demonstrates the effectiveness of our proposed method.
- Abstract（参考訳）: 近年,多くの時空間グラフ畳み込みネットワーク(STGCN)モデルが,時空間ネットワークデータ予測問題に対処するために提案されている。
これらのSTGCNモデルには、それぞれ独自の利点があり、それぞれが多くの効果的な演算を行ない、実際のアプリケーションで良い予測結果が得られる。
もしユーザーがこれらの優れた操作を効果的に活用し、既存のモデルの利点を統合することができれば、より効果的なSTGCNモデルを得ることができ、既存の作業でより大きな価値を生み出すことができる。
しかし、それらはドメイン知識の欠如と、ユーザーがこの目標を達成するのを助ける自動化システムが欠如しているため、そうはならない。
本稿では,このギャップを埋め,既存のモデルを用いて特定のシナリオに対する高性能STGCNモデルを自動的に探索するAuto-STGCNアルゴリズムを提案する。
具体的には、既存のアーキテクチャの操作を要約したUnified-STGCNフレームワークを設計し、STGCNアーキテクチャのパラメータ化表現と利点の再編成と融合を実現するために、各操作の使用と特性特性を制御するためにパラメータを使用する。
次に、強化学習に基づく最適化手法であるAuto-STGCNを提案し、Unified-STGCNが提供するパラメータ検索空間を迅速に探索し、最適なSTGCNモデルを自動生成する。
実世界のベンチマークデータセットに対する大規模な実験により,提案手法の有効性を示すヒューリスティックパラメータを持つ既存のSTGCNモデルよりも優れたSTGCNモデルを見出すことができた。
関連論文リスト
- Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。
DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。
本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文 参考訳（メタデータ） (2024-10-31T07:28:22Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks [0.2499907423888049]
デジタルツインネットワーク(DTN)技術は,自律型ネットワークの基礎技術として期待されている。
DTNは、クローズドループシステムにおいて、リアルタイムに収集されたデータに基づいてネットワークを運用およびシステム化できるという利点がある。
DTNの使用を最適化するために、さまざまなAI研究と標準化作業が進行中である。
論文 参考訳（メタデータ） (2024-05-14T09:55:03Z) - AutoGCN -- Towards Generic Human Activity Recognition with Neural
Architecture Search [0.16385815610837165]
本稿では、グラフ畳み込みネットワーク(GCN)を用いた人間活動認識(HAR)のための汎用ニューラルアーキテクチャ探索(NAS)アルゴリズムであるAutoGCNを紹介する。
提案アルゴリズムの性能を評価するために,骨格に基づく行動認識に着目した2つの大規模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） (2024-02-02T11:07:27Z) - Orthogonal Stochastic Configuration Networks with Adaptive Construction
Parameter for Data Analytics [6.940097162264939]
ランダム性により、SCNは冗長で品質の低い近似線形相関ノードを生成する可能性が高まる。
機械学習の基本原理、すなわち、パラメータが少ないモデルでは、一般化が向上する。
本稿では,ネットワーク構造低減のために,低品質な隠れノードをフィルタする直交SCN(OSCN)を提案する。
論文 参考訳（メタデータ） (2022-05-26T07:07:26Z) - Learning Where To Look -- Generative NAS is Surprisingly Efficient [11.83842808044211]
本稿では,より有望な潜在部分空間からサンプルを生成することを反復的に学習する,代理予測器と組み合わせた生成モデルを提案する。
このアプローチは、クエリ量を低く保ちながら、非常に効率的で効率的なアーキテクチャ検索をもたらす。
論文 参考訳（メタデータ） (2022-03-16T16:27:11Z) - Rethinking Graph Convolutional Networks in Knowledge Graph Completion [83.25075514036183]
グラフ畳み込みネットワーク(GCN)は知識グラフ補完(KGC)においてますます人気が高まっている。
本稿では,代表的なGCNベースのKGCモデルを構築し,GCNのどの要因がKGCに重要なのかを明らかにする。
本稿では,既存のKGEモデルに線形変換されたエンティティ埋め込みを組み込む,LTE-KGEというシンプルなフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-08T11:36:18Z) - Automated Graph Learning via Population Based Self-Tuning GCN [45.28411311903644]
グラフ畳み込みネットワーク(GCN)とその変種は、幅広いタスクにうまく適用されている。
従来のGCNモデルはオーバーフィッティングとオーバースムーシングの問題に悩まされている。
DropEdgeのような最近の技術はこれらの問題を緩和し、ディープGCNの開発を可能にする。
論文 参考訳（メタデータ） (2021-07-09T23:05:21Z) - On the spatial attention in Spatio-Temporal Graph Convolutional Networks
for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。
最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文 参考訳（メタデータ） (2020-11-07T19:03:04Z) - DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator
Search [55.164053971213576]
畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。
構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。
既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
論文 参考訳（メタデータ） (2020-11-04T07:43:01Z) - Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature
Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。
我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。
我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文 参考訳（メタデータ） (2020-03-05T13:05:27Z)
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。