論文の概要: Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2102.08100v1
• Date: Tue, 16 Feb 2021 11:48:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 15:18:28.806234
• Title: Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural Networks
• Title（参考訳）: ハンガリーにおけるチキンポックス症例:グラフニューラルネットワークを用いた時空間信号処理のためのベンチマークデータセット
• Authors: Benedek Rozemberczki and Paul Scherer and Oliver Kiss and Rik Sarkar and Tamas Ferenci
• Abstract要約: グラフニューラルネットワークアーキテクチャを比較するための新しいデータセットとして,Chickenpox Casesデータセットを提案する。 時系列解析と予測実験により,新たなグラフニューラルネットワークアーキテクチャの予測性能予測能力を比較する上で,チキンポックスケースデータセットが極めて適していることが示された。
• 参考スコア（独自算出の注目度）: 6.037276428689637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recurrent graph convolutional neural networks are highly effective machine learning techniques for spatiotemporal signal processing. Newly proposed graph neural network architectures are repetitively evaluated on standard tasks such as traffic or weather forecasting. In this paper, we propose the Chickenpox Cases in Hungary dataset as a new dataset for comparing graph neural network architectures. Our time series analysis and forecasting experiments demonstrate that the Chickenpox Cases in Hungary dataset is adequate for comparing the predictive performance and forecasting capabilities of novel recurrent graph neural network architectures.
• Abstract（参考訳）: リカレントグラフ畳み込みニューラルネットワークは時空間信号処理に非常に効果的な機械学習技術である。 新たに提案されたグラフニューラルネットワークアーキテクチャは、トラフィックや天気予報などの標準タスクで繰り返し評価される。 本稿では,グラフニューラルネットワークアーキテクチャを比較するための新たなデータセットとして,ハンガリーのChickenpox Casesを提案する。 ハンガリーにおけるChickenpox Casesの時系列解析と予測実験により,新しいグラフニューラルネットワークアーキテクチャの予測性能と予測能力を比較するのに十分であることが示された。

関連論文リスト

• A Subsampling Based Neural Network for Spatial Data [0.0]
  本稿では、空間データに対する一貫した局所化された2層ディープニューラルネットワークに基づく回帰を提案する。 観測されたデータと予測されたデータの経験的確率分布の差分尺度の収束率を実験的に観察し、より滑らかな空間表面ではより高速になる。 この応用は非線形空間回帰の効果的な例である。
  論文  参考訳（メタデータ） (2024-11-06T02:37:43Z)
• Graph Neural Networks and Spatial Information Learning for Post-Processing Ensemble Weather Forecasts [1.474723404975345]
  本稿では,アンサンブル後処理のためのグラフニューラルネットワークアーキテクチャを提案する。 欧州における2m温度予測のケーススタディでは、グラフニューラルネットワークモデルは、高度に競争力のあるニューラルネットワークベースの後処理法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-07-08T18:39:44Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
  本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。 グラフ畳み込みニューラルネットワークの基礎を詳述する。 注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
  論文  参考訳（メタデータ） (2023-07-03T09:08:01Z)
• Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
  本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。 我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。 ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
  論文  参考訳（メタデータ） (2023-05-26T04:34:28Z)
• Forecasting West Nile Virus with Graph Neural Networks: Harnessing Spatial Dependence in Irregularly Sampled Geospatial Data [0.0]
  イリノイ州における西ナイルウイルスの存在を予測するために,空間認識型グラフニューラルネットワークモデルを適用した。 より一般的に、不規則サンプリングされた地理空間データに適用されたグラフニューラルネットワークは、様々なベースライン法の性能を超える可能性があることを示す。
  論文  参考訳（メタデータ） (2022-12-21T21:08:45Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks [0.49269463638915806]
  カスケード予測は,ネットワーク内の情報拡散をモデル化することを目的とした。 グラフニューラルネットワークとリカレントニューラルネットワークによるネットワーク構造とシーケンス特徴の組み合わせに関する研究 本稿では,個々のプロファイル,構造特徴,シーケンス情報を考慮した新しいCCasGNNを提案する。
  論文  参考訳（メタデータ） (2021-12-07T11:37:36Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)

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。