論文の概要: TraverseNet: Unifying Space and Time in Message Passing

• arxiv url: http://arxiv.org/abs/2109.02474v1
• Date: Wed, 25 Aug 2021 04:35:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-12 10:55:31.848569
• Title: TraverseNet: Unifying Space and Time in Message Passing
• Title（参考訳）: TraverseNet:メッセージパッシングにおける空間と時間の統合
• Authors: Zonghan Wu, Da Zheng, Shirui Pan, Quan Gan, Guodong Long, George Karypis
• Abstract要約: 本稿では,非ユークリッド空間における空間依存と時間依存を統一することを目的とする。 空間時間グラフニューラルネットであるTraverseNetを提案する。
• 参考スコア（独自算出の注目度）: 46.12086583451224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper aims to unify spatial dependency and temporal dependency in a non-Euclidean space while capturing the inner spatial-temporal dependencies for spatial-temporal graph data. For spatial-temporal attribute entities with topological structure, the space-time is consecutive and unified while each node's current status is influenced by its neighbors' past states over variant periods of each neighbor. Most spatial-temporal neural networks study spatial dependency and temporal correlation separately in processing, gravely impaired the space-time continuum, and ignore the fact that the neighbors' temporal dependency period for a node can be delayed and dynamic. To model this actual condition, we propose TraverseNet, a novel spatial-temporal graph neural network, viewing space and time as an inseparable whole, to mine spatial-temporal graphs while exploiting the evolving spatial-temporal dependencies for each node via message traverse mechanisms. Experiments with ablation and parameter studies have validated the effectiveness of the proposed TraverseNets, and the detailed implementation can be found from https://github.com/nnzhan/TraverseNet.
• Abstract（参考訳）: 本稿では,非ユークリッド空間における空間依存と時間依存を統一し,空間-時間グラフデータの内部空間-時間依存を捉えることを目的とする。 位相構造を持つ時空間属性エンティティでは、時空間は連続的に統一され、各ノードの現在の状態は隣人の過去の状態によって影響される。 ほとんどの時空間ニューラルネットワークは、処理において別々に空間的依存と時間的相関を研究し、時空間連続性に致命的な障害を与え、近隣のノードの時間的依存期間が遅延し動的になるという事実を無視している。 この状況をモデル化するために,メッセージトラバース機構を用いて各ノードの時間的依存関係を進化させながら空間時空間グラフをマイニングするために,空間時空間グラフニューラルネットワークであるTraverseNetを提案する。 アブレーションとパラメータスタディによる実験は提案されたTraverseNetsの有効性を検証しており、詳細な実装はhttps://github.com/nnzhan/TraverseNetで見ることができる。

関連論文リスト

• Linear Attention is Enough in Spatial-Temporal Forecasting [0.0]
  本稿では,道路ネットワークにおけるノードを独立した時空間トークンとして扱うことを提案する。 次に、それらをバニラ変換器に入力して、複雑な時空間パターンを学習します。 我々のコードは、手頃な計算コストで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-08-17T10:06:50Z)
• DSTCGCN: Learning Dynamic Spatial-Temporal Cross Dependencies for Traffic Forecasting [7.3669718660909735]
  本研究では,動的空間依存と時間依存を協調的に学習する動的時空間グラフ畳み込みネットワークを提案する。 6つの実世界のデータセットの実験は、DSTCGCNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-07-02T08:53:10Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting [3.9761027576939414]
  時空間グラフ畳み込みGated Recurrent Network (STGCGRN) という,トラフィック予測のための新しいフレームワークを提案する。 交通データ中の周期的な情報をマイニングすることで、長期依存を捕捉するアテンションモジュールを設計する。 4つのデータセットの実験は、我々のモデルの優れた性能を示している。
  論文  参考訳（メタデータ） (2022-10-06T08:02:20Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• LSTA-Net: Long short-term Spatio-Temporal Aggregation Network for Skeleton-based Action Recognition [14.078419675904446]
  LSTA-Net(英語版) - 新しい短期時空間ネットワーク。 時間的・短期的な情報は、既存の作品ではよく調べられていない。 3つの公開ベンチマークデータセットで実験が行われた。
  論文  参考訳（メタデータ） (2021-11-01T10:53:35Z)
• 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)
• Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting [35.072979313851235]
  交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。 既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。 本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
  論文  参考訳（メタデータ） (2020-12-15T14:03:17Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。