Fugu-MT 論文翻訳(概要): STFL: A Temporal-Spatial Federated Learning Framework for Graph Neural Networks

論文の概要: STFL: A Temporal-Spatial Federated Learning Framework for Graph Neural Networks

arxiv url: http://arxiv.org/abs/2111.06750v1
Date: Fri, 12 Nov 2021 14:55:57 GMT
ステータス: 処理完了
システム内更新日: 2021-11-15 13:29:41.175318
Title: STFL: A Temporal-Spatial Federated Learning Framework for Graph Neural Networks
Title（参考訳）: STFL: グラフニューラルネットワークのための時間空間フェデレーション学習フレームワーク
Authors: Guannan Lou, Yuze Liu, Tiehua Zhang, Xi Zheng
Abstract要約: グラフニューラルネットワーク(STFL)のための時空間フェデレーション学習フレームワークを提案する。このフレームワークは、入力された時空間データの根底にある相関関係を探索し、それをノード特徴と隣接行列の両方に変換する。
参考スコア（独自算出の注目度）: 2.2782959401719927
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a spatial-temporal federated learning framework for graph neural networks, namely STFL. The framework explores the underlying correlation of the input spatial-temporal data and transform it to both node features and adjacency matrix. The federated learning setting in the framework ensures data privacy while achieving a good model generalization. Experiments results on the sleep stage dataset, ISRUC_S3, illustrate the effectiveness of STFL on graph prediction tasks.
Abstract（参考訳）: グラフニューラルネットワーク(STFL)のための時空間フェデレーション学習フレームワークを提案する。このフレームワークは、入力された空間-時間データの基盤となる相関を調べ、それをノードの特徴と隣接マトリックスの両方に変換する。このフレームワークにおける連合学習設定は、優れたモデル一般化を達成しながらデータのプライバシを確保する。睡眠ステージデータセットISRUC_S3の実験結果から,STFLがグラフ予測タスクに与える影響が示された。

関連論文リスト

Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
時相グラフニューラルネットワークは時系列予測に有効であることが示されている。本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
論文参考訳（メタデータ） (2023-02-08T14:18:56Z)
Graph-Free Learning in Graph-Structured Data: A More Efficient and Accurate Spatiotemporal Learning Perspective [11.301939428860404]
本稿では,グラフ時間学習における空間相関を捉えるための正規化のためのグラフ自由学習モジュールを提案する。厳密な理論的な証明は、時間複雑性が提案されたグラフ畳み込み演算よりもはるかに優れていることを証明している。
論文参考訳（メタデータ） (2023-01-27T14:26:11Z)
Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文参考訳（メタデータ） (2022-10-28T16:59:51Z)
Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文参考訳（メタデータ） (2022-06-07T09:08:35Z)
Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文参考訳（メタデータ） (2022-06-06T14:26:34Z)
Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文参考訳（メタデータ） (2022-02-25T10:02:49Z)
Towards Representation Identical Privacy-Preserving Graph Neural Network via Split Learning [18.07536952887173]
水平分割型クロスサイロシナリオにおけるノードレベルタスクに対するSAPGNNを提案する。最大/最小プールアグリゲーションを備えた孤立グラフへの、集中型GNNの自然な拡張を提供する。データプライバシをさらに強化するため、セキュアなプーリングアグリゲーション機構を提案する。
論文参考訳（メタデータ） (2021-07-13T08:35:43Z)
Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文参考訳（メタデータ） (2021-04-15T14:32:12Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文参考訳（メタデータ） (2020-11-07T19:03:04Z)
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。