論文の概要: Dynamic Virtual Graph Significance Networks for Predicting Influenza

• arxiv url: http://arxiv.org/abs/2102.08122v1
• Date: Tue, 16 Feb 2021 12:38:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 15:12:27.694082
• Title: Dynamic Virtual Graph Significance Networks for Predicting Influenza
• Title（参考訳）: インフルエンザの予測のための動的仮想グラフ意義ネットワーク
• Authors: Jie Zhang, Pengfei Zhou, Hongyan Wu
• Abstract要約: 本研究では,歴史的時刻における同様の「感染状況」から動的に学習できる動的仮想グラフ意義ネットワーク(DVGSN)を開発した。 現実世界のインフルエンザデータに関する実験は、DVGSNが現在の最先端の方法を大幅に上回っていることを示しています。
• 参考スコア（独自算出の注目度）: 6.144775057306887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data and their related algorithms have attracted significant attention in many fields, such as influenza prediction in public health. However, the variable influenza seasonality, occasional pandemics, and domain knowledge pose great challenges to construct an appropriate graph, which could impair the strength of the current popular graph-based algorithms to perform data analysis. In this study, we develop a novel method, Dynamic Virtual Graph Significance Networks (DVGSN), which can supervisedly and dynamically learn from similar "infection situations" in historical timepoints. Representation learning on the dynamic virtual graph can tackle the varied seasonality and pandemics, and therefore improve the performance. The extensive experiments on real-world influenza data demonstrate that DVGSN significantly outperforms the current state-of-the-art methods. To the best of our knowledge, this is the first attempt to supervisedly learn a dynamic virtual graph for time-series prediction tasks. Moreover, the proposed method needs less domain knowledge to build a graph in advance and has rich interpretability, which makes the method more acceptable in the fields of public health, life sciences, and so on.
• Abstract（参考訳）: グラフ構造データとその関連アルゴリズムは、公衆衛生におけるインフルエンザの予測など、多くの分野で注目を集めている。 しかし、インフルエンザの季節変動、パンデミック、ドメイン知識は適切なグラフを構築する上で大きな課題をもたらし、現在の一般的なグラフベースのアルゴリズムの強みを損なう可能性がある。 本研究では,歴史的時刻における同様の「感染状況」から指導的かつ動的に学習できる動的仮想グラフ意義ネットワーク(DVGSN)を開発した。 動的仮想グラフ上の表現学習は、季節やパンデミックの変化に対処し、パフォーマンスを向上させることができる。 実世界のインフルエンザデータに関する広範な実験は、DVGSNが現在の最先端の方法を大幅に上回っていることを示しています。 我々の知る限りでは、時系列予測タスクのための動的仮想グラフを監督的に学習する最初の試みである。 さらに,提案手法では,事前のグラフ作成に必要なドメイン知識が少なく,解釈性も豊富であり,公衆衛生,生命科学などの分野ではより受け入れられる手法である。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Informative Subgraphs Aware Masked Auto-Encoder in Dynamic Graphs [1.3571543090749625]
  本稿では,動的グラフの進化を導く情報サブグラフを生成するための制約付き確率的生成モデルを提案する。 DyGISによって同定された情報サブグラフは、動的グラフマスキングオートエンコーダ(DGMAE)の入力として機能する。
  論文  参考訳（メタデータ） (2024-09-14T02:16:00Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Deep learning for dynamic graphs: models and benchmarks [16.851689741256912]
  近年,Deep Graph Networks (DGNs) の研究が進展し,グラフ上の学習領域が成熟した。 この研究分野の成長にもかかわらず、まだ解決されていない重要な課題がまだ残っている。
  論文  参考訳（メタデータ） (2023-07-12T12:02:36Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Time-aware Random Walk Diffusion to Improve Dynamic Graph Learning [3.4012007729454816]
  TiaRaは、グラフスナップショットの離散時間シーケンスとして表される動的グラフを拡大するための、新しい拡散ベースの方法である。 TiaRaは与えられた動的グラフを効果的に拡張し、様々なグラフデータセットやタスクに対する動的GNNモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2022-11-02T15:55:46Z)
• Graph Lifelong Learning: A Survey [6.545297572977323]
  本稿では,グラフ生涯学習のモチベーション,ポテンシャル,最先端のアプローチ,オープンな課題について論じる。 我々はこの新興分野に対する広範な研究と開発への関心を期待する。
  論文  参考訳（メタデータ） (2022-02-22T06:14:07Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• Transfer Graph Neural Networks for Pandemic Forecasting [32.0506180195988]
  人口移動が新型コロナウイルスの感染拡大に与える影響について検討する。 我々は,今後の症例数を予測するためにグラフニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2020-09-10T13:23:52Z)
• 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)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。