論文の概要: Continuous-Depth Neural Models for Dynamic Graph Prediction
- arxiv url: http://arxiv.org/abs/2106.11581v1
- Date: Tue, 22 Jun 2021 07:30:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 15:16:47.666707
- Title: Continuous-Depth Neural Models for Dynamic Graph Prediction
- Title(参考訳): 動的グラフ予測のための連続深度ニューラルモデル
- Authors: Michael Poli, Stefano Massaroli, Clayton M. Rabideau, Junyoung Park,
Atsushi Yamashita, Hajime Asama, Jinkyoo Park
- Abstract要約: 連続深度グラフニューラルネットワーク(GNN)の枠組みを紹介する。
ニューラルグラフ微分方程式(ニューラルグラフ微分方程式)は、GNNに対抗して形式化される。
その結果、遺伝的制御ネットワークにおけるトラフィック予測や予測など、アプリケーション全体にわたって提案されたモデルの有効性が証明された。
- 参考スコア(独自算出の注目度): 16.89981677708299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce the framework of continuous-depth graph neural networks (GNNs).
Neural graph differential equations (Neural GDEs) are formalized as the
counterpart to GNNs where the input-output relationship is determined by a
continuum of GNN layers, blending discrete topological structures and
differential equations. The proposed framework is shown to be compatible with
static GNN models and is extended to dynamic and stochastic settings through
hybrid dynamical system theory. Here, Neural GDEs improve performance by
exploiting the underlying dynamics geometry, further introducing the ability to
accommodate irregularly sampled data. Results prove the effectiveness of the
proposed models across applications, such as traffic forecasting or prediction
in genetic regulatory networks.
- Abstract(参考訳): 本稿では,連続深度グラフニューラルネットワーク(GNN)の枠組みを紹介する。
神経グラフ微分方程式 (neural gdes) は、gnn 層の連続体によって入出力関係が決定される gnn に対応するものとして形式化され、離散位相構造と微分方程式が混合される。
提案フレームワークは静的GNNモデルと互換性があり,ハイブリッド力学系理論により動的および確率的設定に拡張されている。
ここでは、Neural GDEは基礎となる動的幾何を利用してパフォーマンスを改善し、さらに不規則にサンプリングされたデータに適応する機能を導入する。
その結果, 遺伝的規制ネットワークにおけるトラヒック予測や予測など, アプリケーション間における提案モデルの有効性が実証された。
関連論文リスト
- Interpretable Fine-Tuning for Graph Neural Network Surrogate Models [0.0]
本研究は,グラフニューラルネットワーク(GNN)の解釈可能な微調整戦略を導入する。
最終結果は、予測タスクに本質的に関連付けられている部分グラフに対応する物理空間内の領域を分離する強化された微調整モデルである。
正規化手順により、微調整されたGNNを使用して、予測予測エラーの大多数に対応するグラフノードを推論時に特定することもできる。
論文 参考訳(メタデータ) (2023-11-13T18:37:07Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳(メタデータ) (2023-05-22T10:29:52Z) - 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) - Graph Sequential Neural ODE Process for Link Prediction on Dynamic and
Sparse Graphs [33.294977897987685]
動的グラフ上のリンク予測は、グラフマイニングにおいて重要な課題である。
動的グラフニューラルネットワーク(DGNN)に基づく既存のアプローチは通常、かなりの量の履歴データを必要とする。
グラフシークエンシャルニューラルネットワークプロセス(GSNOP)と呼ばれる,ニューラルプロセスに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-11-15T23:21:02Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - Graph Neural Networks with Parallel Neighborhood Aggregations for Graph
Classification [14.112444998191698]
グラフニューラルネットワーク(GNN)モデルを用いたグラフ分類に着目し、並列に配置された近傍グラフ演算子のバンクを用いてノード特徴をプリ計算する。
これらのGNNモデルには、事前計算によるトレーニングと推論時間の削減という自然な利点がある。
本研究は,様々な実世界のデータセット上で,開発モデルが最先端の性能を達成することを数値実験により実証する。
論文 参考訳(メタデータ) (2021-11-22T19:19:40Z) - GRAND: Graph Neural Diffusion [15.00135729657076]
本稿では,連続拡散過程としてグラフの深層学習にアプローチするグラフニューラル拡散(GRAND)を提案する。
我々のモデルでは、層構造と位相は時間的および空間的作用素の離散化選択に対応する。
我々のモデルの成功の鍵は、データの摂動に対する安定性であり、これは暗黙的および明示的な離散化スキームの両方に対処する。
論文 参考訳(メタデータ) (2021-06-21T09:10:57Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳(メタデータ) (2021-04-06T01:44:15Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳(メタデータ) (2020-10-05T04:57:18Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z)
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。