論文の概要: GINA: Neural Relational Inference From Independent Snapshots

• arxiv url: http://arxiv.org/abs/2105.14329v1
• Date: Sat, 29 May 2021 15:42:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-05 15:01:04.195560
• Title: GINA: Neural Relational Inference From Independent Snapshots
• Title（参考訳）: GINA:独立スナップショットからのニューラルリレーショナル推論
• Authors: Gerrit Gro{\ss}mann, Julian Zimmerlin, Michael Backenk\"ohler, Verena Wolf
• Abstract要約: 本稿では,遅延相互作用グラフを同時に学習するグラフニューラルネットワーク(GNN)を提案し,ノードの可観測状態の予測を行う。 GINAは、すべての潜在的なグラフの中で、基底真理相互作用グラフは、隣人の状態を考えると、最も高い精度でノードの状態を予測することができるという仮説に基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamical systems in which local interactions among agents give rise to complex emerging phenomena are ubiquitous in nature and society. This work explores the problem of inferring the unknown interaction structure (represented as a graph) of such a system from measurements of its constituent agents or individual components (represented as nodes). We consider a setting where the underlying dynamical model is unknown and where different measurements (i.e., snapshots) may be independent (e.g., may stem from different experiments). We propose GINA (Graph Inference Network Architecture), a graph neural network (GNN) to simultaneously learn the latent interaction graph and, conditioned on the interaction graph, the prediction of a node's observable state based on adjacent vertices. GINA is based on the hypothesis that the ground truth interaction graph -- among all other potential graphs -- allows to predict the state of a node, given the states of its neighbors, with the highest accuracy. We test this hypothesis and demonstrate GINA's effectiveness on a wide range of interaction graphs and dynamical processes.
• Abstract（参考訳）: エージェント間の局所的な相互作用が複雑な現象を引き起こす力学系は、自然と社会においてユビキタスである。 本研究は,そのようなシステムの未知の相互作用構造(グラフとして表される)を,その構成因子や個々の構成要素(ノードとして表される)の測定から推測する問題を考察する。 我々は、基礎となる力学モデルが未知であり、異なる測定値(スナップショット)が独立であるような設定を考える(例えば、異なる実験から生じるかもしれない)。 本稿では,グラフニューラルネットワーク(GNN)であるGINA(Graph Inference Network Architecture)を提案する。 GINAは、全ての潜在的なグラフのうち、基底真理相互作用グラフは、隣人の状態からノードの状態を予測することができ、最も高い精度で予測できるという仮説に基づいている。 この仮説を検証し、GINAの幅広い相互作用グラフと動的プロセスにおける有効性を示す。

関連論文リスト

• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• USER: Unsupervised Structural Entropy-based Robust Graph Neural Network [22.322867182077182]
  教師なしグラフニューラルネットワーク(GNN)は、入力グラフデータの固有のランダム性に対して脆弱である。 構造エントロピーに基づくグラフニューラルネットワークの教師なしロバストバージョンであるUSERを提案する。 ランダムノイズ下でのクラスタリングとリンク予測タスク、および3つのデータセットに対するメタアタックの実験は、USERのベンチマークより優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-12T10:32:12Z)
• On the Ability of Graph Neural Networks to Model Interactions Between Vertices [14.909298522361306]
  グラフニューラルネットワーク(GNN)は、グラフの頂点として表されるエンティティ間の複雑な相互作用をモデル化するために広く使われている。 近年のGNNの表現力を理論的に分析する試みにもかかわらず、相互作用をモデル化する能力の形式的特徴は欠如している。
  論文  参考訳（メタデータ） (2022-11-29T18:58:07Z)
• Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network [0.0]
  地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。 本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
  論文  参考訳（メタデータ） (2022-08-28T09:13:33Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions [70.9481395807354]
  本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。 GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-05-12T03:46:15Z)

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。