論文の概要: Online Time-Varying Topology Identification via Prediction-Correction
Algorithms
- arxiv url: http://arxiv.org/abs/2010.11634v2
- Date: Wed, 10 Feb 2021 15:45:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 06:16:27.936389
- Title: Online Time-Varying Topology Identification via Prediction-Correction
Algorithms
- Title(参考訳): 予測補正アルゴリズムによるオンライン時変トポロジー同定
- Authors: Alberto Natali, Mario Coutino, Elvin Isufi and Geert Leus
- Abstract要約: 非定常環境で動作する汎用オンラインアルゴリズムを提案する。
反復制限された性質のため、提案手法はグラフトポロジの固有の時間的正則化を明示的に強制することなく示している。
- 参考スコア(独自算出の注目度): 36.620113114806294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Signal processing and machine learning algorithms for data supported over
graphs, require the knowledge of the graph topology. Unless this information is
given by the physics of the problem (e.g., water supply networks, power grids),
the topology has to be learned from data. Topology identification is a
challenging task, as the problem is often ill-posed, and becomes even harder
when the graph structure is time-varying. In this paper, we address the problem
of dynamic topology identification by building on recent results from
time-varying optimization, devising a general-purpose online algorithm
operating in non-stationary environments. Because of its iteration-constrained
nature, the proposed approach exhibits an intrinsic temporal-regularization of
the graph topology without explicitly enforcing it. As a case-study, we
specialize our method to the Gaussian graphical model (GGM) problem and
corroborate its performance.
- Abstract(参考訳): グラフ上でサポートされるデータに対する信号処理と機械学習アルゴリズムは、グラフトポロジの知識を必要とする。
この情報が問題(例えば給水網、電力網など)の物理によって与えられない限り、トポロジーはデータから学ぶ必要がある。
トポロジーの識別は、問題はしばしば不適切であり、グラフ構造が時間変化する場合にさらに困難になるため、難しい課題である。
本稿では,非定常環境で動作する汎用オンラインアルゴリズムを考案し,時間変動最適化による最近の結果をもとに,動的トポロジー同定の問題に対処する。
反復に制約された性質のため、提案手法はグラフトポロジーを明示的に包含することなく固有時間的正規化を示す。
ケーススタディとして,本手法をgaussian graphics model (ggm)問題に特化し,その性能を検証した。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Learning Graph Search Heuristics [48.83557172525969]
本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。
我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。
実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
論文 参考訳(メタデータ) (2022-12-07T22:28:00Z) - De Bruijn goes Neural: Causality-Aware Graph Neural Networks for Time
Series Data on Dynamic Graphs [1.2891210250935143]
動的グラフ上の時間分解データに対して,De Bruijn Graph Neural Networks (DBGNNs) を導入する。
我々のアプローチは、動的グラフの因果トポロジに展開する時間的トポロジ的パターンを考慮に入れている。
DBGNNは動的グラフの時間パターンを利用することができ、教師付きノード分類タスクのパフォーマンスを大幅に改善する。
論文 参考訳(メタデータ) (2022-09-17T10:54:00Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳(メタデータ) (2022-01-17T11:57:29Z) - Online Graph Learning under Smoothness Priors [8.826181951806928]
探索グラフ上でスムーズなストリーミング観測を前提として,オンラインネットワークトポロジ推論のための新しいアルゴリズムを開発した。
私たちの目標は、グラフ信号を順次処理することで、メモリと計算コストを維持しながら(おそらく)時間変化のネットワークトポロジを追跡することです。
合成市場と実際の金融市場データの両方を用いたコンピュータシミュレーションは,提案アルゴリズムの有効性を示す。
論文 参考訳(メタデータ) (2021-03-05T15:42:53Z) - 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) - Time-varying Graph Representation Learning via Higher-Order Skip-Gram
with Negative Sampling [0.456877715768796]
我々は,スキップグラム埋め込み手法が行列分解を暗黙的に行うという事実に基づいて構築する。
負のサンプリングを持つ高次スキップグラムは、ノードと時間の役割を乱すことができることを示す。
提案手法を時間分解型対面近接データを用いて実証的に評価し,学習した時間変化グラフ表現が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-06-25T12:04:48Z) - Graph Signal Processing -- Part III: Machine Learning on Graphs, from
Graph Topology to Applications [19.29066508374268]
このモノグラフのパートIIIは、グラフトポロジーを学ぶ方法に対処することから始まる。
特に注目されるのは、観測データの相関および精度行列に基づくグラフトポロジーの定義である。
スパースグラフの学習には、LASSOとして知られる最小絶対縮小と選択演算子を用いる。
論文 参考訳(メタデータ) (2020-01-02T13:14:27Z)
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。