論文の概要: Spatio-Temporal Graph Scattering Transform

• arxiv url: http://arxiv.org/abs/2012.03363v3
• Date: Tue, 9 Feb 2021 05:08:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 14:04:27.731285
• Title: Spatio-Temporal Graph Scattering Transform
• Title（参考訳）: 時空間グラフ散乱変換
• Authors: Chao Pan, Siheng Chen, Antonio Ortega
• Abstract要約: グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
• 参考スコア（独自算出の注目度）: 54.52797775999124
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although spatio-temporal graph neural networks have achieved great empirical success in handling multiple correlated time series, they may be impractical in some real-world scenarios due to a lack of sufficient high-quality training data. Furthermore, spatio-temporal graph neural networks lack theoretical interpretation. To address these issues, we put forth a novel mathematically designed framework to analyze spatio-temporal data. Our proposed spatio-temporal graph scattering transform (ST-GST) extends traditional scattering transforms to the spatio-temporal domain. It performs iterative applications of spatio-temporal graph wavelets and nonlinear activation functions, which can be viewed as a forward pass of spatio-temporal graph convolutional networks without training. Since all the filter coefficients in ST-GST are mathematically designed, it is promising for the real-world scenarios with limited training data, and also allows for a theoretical analysis, which shows that the proposed ST-GST is stable to small perturbations of input signals and structures. Finally, our experiments show that i) ST-GST outperforms spatio-temporal graph convolutional networks by an increase of 35% in accuracy for MSR Action3D dataset; ii) it is better and computationally more efficient to design the transform based on separable spatio-temporal graphs than the joint ones; and iii) the nonlinearity in ST-GST is critical to empirical performance.
• Abstract（参考訳）: 時空間グラフニューラルネットワークは、複数の相関時系列を扱うという経験的成功を成し遂げているが、十分な高品質なトレーニングデータがないために、現実のシナリオでは実用的でない場合もある。 さらに、時空間グラフニューラルネットワークは理論的解釈を欠いている。 これらの問題に対処するため,時空間データを解析するための数学的に設計された新しいフレームワークを考案した。 提案した時空間グラフ散乱変換(ST-GST)は,従来の散乱変換を時空間に拡張する。 時空間グラフウェーブレットと非線形活性化関数の反復的応用を行い、トレーニングなしで時空間グラフ畳み込みネットワークの前方通過と見なすことができる。 ST-GSTの全てのフィルタ係数は数学的に設計されているため、訓練データに制限のある実世界のシナリオに対して有望であり、また、提案したST-GSTが入力信号や構造の小さな摂動に対して安定であることを示す理論的解析も可能である。 最後に,ST-GSTは,MSR Action3Dデータセットの精度を35%向上させることにより,時空間グラフ畳み込みネットワークより優れていることを示す。

関連論文リスト

• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Spatio-Temporal Graph Complementary Scattering Networks [27.78922896432688]
  本研究では,新しい時間グラフ散乱とニューラルネットワークの変換を組み合わせた補完機構を提案する。 本質的には、数学的に設計されたグラフウェーブレットをプルーニング技術で活用し、主要な情報をカバーし、トレーニング可能なキャプチャネットワークを使用して、補完的な情報をキャプチャする。
  論文  参考訳（メタデータ） (2021-10-23T06:02:43Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
  グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。 GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。 本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
  論文  参考訳（メタデータ） (2020-01-27T16:05:56Z)

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。