論文の概要: A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals

• arxiv url: http://arxiv.org/abs/2010.13164v1
• Date: Sun, 25 Oct 2020 17:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 05:14:41.667244
• Title: A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals
• Title（参考訳）: 階層型グラフ信号処理による時空間信号からの推論
• Authors: Nafiseh Ghoroghchian, Stark C. Draper, and Roman Genov
• Abstract要約: グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。 本稿では,階層的特徴抽出手法の開発に活用する。 Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
• 参考スコア（独自算出の注目度）: 14.416786768268233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivated by the emerging area of graph signal processing (GSP), we introduce a novel method to draw inference from spatiotemporal signals. Data acquisition in different locations over time is common in sensor networks, for diverse applications ranging from object tracking in wireless networks to medical uses such as electroencephalography (EEG) signal processing. In this paper we leverage novel techniques of GSP to develop a hierarchical feature extraction approach by mapping the data onto a series of spatiotemporal graphs. Such a model maps signals onto vertices of a graph and the time-space dependencies among signals are modeled by the edge weights. Signal components acquired from different locations and time often have complicated functional dependencies. Accordingly, their corresponding graph weights are learned from data and used in two ways. First, they are used as a part of the embedding related to the topology of graph, such as density. Second, they provide the connectivities of the base graph for extracting higher level GSP-based features. The latter include the energies of the signal's graph Fourier transform in different frequency bands. We test our approach on the intracranial EEG (iEEG) data set of the Kaggle epileptic seizure detection contest. In comparison to the winning code, the results show a slight net improvement and up to 6 percent improvement in per subject analysis, while the number of features are decreased by 75 percent on average.
• Abstract（参考訳）: グラフ信号処理(GSP)の出現する領域を動機として,時空間信号から推論を行う新しい手法を提案する。 センサネットワークでは、無線ネットワークにおける物体追跡から、脳波(EEG)信号処理などの医療用途まで、さまざまな用途でデータを取得することが一般的である。 本稿では,GSPの新たな手法を活用して,データの時系列グラフへのマッピングによる階層的特徴抽出手法を開発する。 このようなモデルは信号をグラフの頂点にマッピングし、信号間の時間空間依存性はエッジ重みによってモデル化される。 異なる場所と時間から取得したsignalコンポーネントは、しばしば複雑な機能依存を持つ。 したがって、対応するグラフ重みをデータから学び、2つの方法で使用する。 まず、それらは密度のようなグラフのトポロジーに関連する埋め込みの一部として使われる。 第2に、より高レベルなGSPベースの特徴を抽出するためのベースグラフの接続性を提供する。 後者は、異なる周波数帯域における信号のグラフフーリエ変換のエネルギーを含む。 われわれはKaggleてんかん発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。 勝者のコードと比較すると、被験者毎の分析ではわずかに改善され、最大6%の改善が見られたが、特徴の数は平均で75%減少している。

関連論文リスト

• GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering [23.19392802641989]
  ハイブリッドモデルベース/データ駆動手法を用いて,グラフ信号の追跡について検討する。 我々はGSP-KalmanNetを開発し、グラフィカルな測定から隠れたグラフィカルな状態を追跡する。 提案した GSP-KalmanNet は,精度の向上と実行時間性能の向上に加えて,モデルの誤特定に対する堅牢性の向上を実現している。
  論文  参考訳（メタデータ） (2023-11-28T08:43:10Z)
• HAGCN : Network Decentralization Attention Based Heterogeneity-Aware Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting [0.0]
  交通信号データに固有の異種特性について検討し,センサ間の隠れ関係を様々な方法で学習する。 本稿では,隣接ノードの隠れ状態を集約する分散化注目グラフ畳み込みネットワーク(HAGCN)を提案する。
  論文  参考訳（メタデータ） (2022-09-05T13:45:52Z)
• Graph Signal Processing for Heterogeneous Change Detection Part I: Vertex Domain Filtering [21.531426428400227]
  グラフ信号処理(GSP)の観点からHCDを解く不均一な変化検出問題に対する新しい戦略を提案する。 構造情報を取得するために,各画像のグラフを構築し,各画像をグラフ信号として扱う。 このようにして、HCDをGSP問題に変換し、2つのグラフ上で定義された異なるシステム上の2つの信号の応答の比較を行う。
  論文  参考訳（メタデータ） (2022-08-03T07:22:45Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
  我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
  論文  参考訳（メタデータ） (2021-02-21T18:19:49Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Graph Signal Processing for Geometric Data and Beyond: Theory and Applications [55.81966207837108]
  グラフ信号処理(GSP)は、不規則な領域に存在する処理信号を可能にする。 GSP法は、幾何データとグラフの接続をブリッジすることで、統一的に幾何データに対する手法である。 最近開発されたグラフニューラルネットワーク(GNN)は、GSPの観点からこれらのネットワークの動作を解釈している。
  論文  参考訳（メタデータ） (2020-08-05T03:20:16Z)
• Sampling Signals on Graphs: From Theory to Applications [119.19108613761915]
  我々は、理論と潜在的な応用に焦点をあてたグラフのサンプリングに関する最近の進歩を概観する。 グラフ信号サンプリングにおけるほとんどの手法は標準信号のサンプリングに使用される手法と平行に設計されているが、グラフ信号のサンプリング理論はシャノン-ニキスト理論とシフト不変サンプリング理論とは大きく異なる。
  論文  参考訳（メタデータ） (2020-03-09T07:49:40Z)

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。