論文の概要: Non-separable Spatio-temporal Graph Kernels via SPDEs
- arxiv url: http://arxiv.org/abs/2111.08524v1
- Date: Tue, 16 Nov 2021 14:53:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 19:09:48.428159
- Title: Non-separable Spatio-temporal Graph Kernels via SPDEs
- Title(参考訳): SPDEによる非分離時空間グラフカーネル
- Authors: Alexander Nikitin, ST John, Arno Solin, Samuel Kaski
- Abstract要約: グラフ上の時間的原理モデリングのためのグラフカーネルを提供する。
グラフをモデリングするための新しいツールを提供することで、既存のグラフカーネルを現実のアプリケーションで上回ります。
- 参考スコア(独自算出の注目度): 90.62347738138594
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gaussian processes (GPs) provide a principled and direct approach for
inference and learning on graphs. However, the lack of justified graph kernels
for spatio-temporal modelling has held back their use in graph problems. We
leverage an explicit link between stochastic partial differential equations
(SPDEs) and GPs on graphs, and derive non-separable spatio-temporal graph
kernels that capture interaction across space and time. We formulate the graph
kernels for the stochastic heat equation and wave equation. We show that by
providing novel tools for spatio-temporal GP modelling on graphs, we outperform
pre-existing graph kernels in real-world applications that feature diffusion,
oscillation, and other complicated interactions.
- Abstract(参考訳): ガウス過程(英: Gaussian process、GP)は、グラフ上の推論と学習のための原理的かつ直接的なアプローチである。
しかし、時空間モデリングのための正当性グラフカーネルの欠如は、グラフ問題における使用を妨げている。
確率偏微分方程式(SPDE)とGPのグラフ上の明示的なリンクを利用し、空間と時間間の相互作用を捉える非分離な時空間グラフカーネルを導出する。
確率的熱方程式と波動方程式のグラフカーネルを定式化する。
グラフ上の時空間gpモデリングのための新しいツールを提供することにより、拡散、振動、その他の複雑な相互作用を特徴とする実世界のアプリケーションにおいて、既存のグラフカーネルよりも優れることを示す。
関連論文リスト
- Advective Diffusion Transformers for Topological Generalization in Graph
Learning [69.2894350228753]
グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。
本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
論文 参考訳(メタデータ) (2023-10-10T08:40:47Z) - Graph Neural Stochastic Differential Equations [3.568455515949288]
グラフニューラル微分方程式(Graph Neural Differential Equations: Graph Neural SDEs)を提案する。
この手法は、ブラウン運動を用いたデータ表現にランダム性を埋め込むことにより、グラフニューラル正規微分方程式(Graph Neural Ordinary Differential Equations, Graph Neural ODEs)を強化する。
我々は、グラフ畳み込みネットワークやグラフニューラルODEといった従来のモデル、特に信頼性予測において、潜在グラフニューラルSDEが超越していることを発見した。
論文 参考訳(メタデータ) (2023-08-23T09:20:38Z) - Conditional Diffusion Based on Discrete Graph Structures for Molecular
Graph Generation [32.66694406638287]
分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。
具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。
本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
論文 参考訳(メタデータ) (2023-01-01T15:24:15Z) - Transductive Kernels for Gaussian Processes on Graphs [7.542220697870243]
半教師付き学習のためのノード特徴データ付きグラフ用の新しいカーネルを提案する。
カーネルは、グラフと特徴データを2つの空間として扱うことにより、正規化フレームワークから派生する。
グラフ上のカーネルベースのモデルがどれだけの頻度で設計されているかを示す。
論文 参考訳(メタデータ) (2022-11-28T14:00:50Z) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳(メタデータ) (2022-06-28T02:10:05Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳(メタデータ) (2022-02-05T08:21:04Z) - Evolving-Graph Gaussian Processes [20.065168755580558]
既存のアプローチでは静的構造に重点を置いているが、実際のグラフデータの多くは動的構造を表しており、GGPの応用は制限されている。
我々はこれを克服するために進化的グラフガウス過程(e-GGP)を提案する。
静的グラフガウスプロセスアプローチに対するe-GGPの利点を実証する。
論文 参考訳(メタデータ) (2021-06-29T07:16:04Z) - 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) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳(メタデータ) (2020-10-09T07:35:26Z)
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。