論文の概要: Positional Encoder Graph Neural Networks for Geographic Data
- arxiv url: http://arxiv.org/abs/2111.10144v1
- Date: Fri, 19 Nov 2021 10:41:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-22 16:16:06.494064
- Title: Positional Encoder Graph Neural Networks for Geographic Data
- Title（参考訳）: 地理データのための位置エンコーダグラフニューラルネットワーク
- Authors: Konstantin Klemmer, Nathan Safir, Daniel B Neill
- Abstract要約: グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。
本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
- 参考スコア（独自算出の注目度）: 1.840220263320992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) provide a powerful and scalable solution for
modeling continuous spatial data. However, in the absence of further context on
the geometric structure of the data, they often rely on Euclidean distances to
construct the input graphs. This assumption can be improbable in many
real-world settings, where the spatial structure is more complex and explicitly
non-Euclidean (e.g., road networks). In this paper, we propose PE-GNN, a new
framework that incorporates spatial context and correlation explicitly into the
models. Building on recent advances in geospatial auxiliary task learning and
semantic spatial embeddings, our proposed method (1) learns a context-aware
vector encoding of the geographic coordinates and (2) predicts spatial
autocorrelation in the data in parallel with the main task. On spatial
regression tasks, we show the effectiveness of our approach, improving
performance over different state-of-the-art GNN approaches. We also test our
approach for spatial interpolation, i.e., spatial regression without node
features, a task that GNNs are currently not competitive at. We observe that
our approach not only vastly improves over the GNN baselines, but can match
Gaussian processes, the most commonly utilized method for spatial interpolation
problems.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。
しかし、データの幾何学的構造に関するさらなる文脈がないため、それらは入力グラフを構築するためにユークリッド距離に依存することが多い。
この仮定は、空間構造がより複雑で明らかにユークリッド的でない(例えば道路網)多くの実世界の環境では不可能である。
本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
近年の地理空間的補助的タスク学習と意味的空間埋め込みの進歩に基づいて,提案手法は地理的座標の文脈認識ベクトル符号化を学習し,(2)主タスクと並行してデータの空間的自己相関を予測する。
空間回帰タスクでは, 提案手法の有効性を示すとともに, 現状の異なるGNN手法よりも性能を向上する。
我々はまた,GNNが現在競争力に欠ける課題である空間補間,すなわちノード特徴のない空間回帰に対するアプローチをテストする。
本手法はgnnのベースラインよりも大幅に改善されるだけでなく,空間補間問題の最も一般的な手法であるガウス過程に適合する。
関連論文リスト
- Cybercrime Prediction via Geographically Weighted Learning [0.24578723416255752]
地理的緯度と長手点を考慮したグラフニューラルネットワークモデルを提案する。
合成データセットを用いて,サイバーセキュリティの4クラス分類問題にアルゴリズムを適用した。
従来のニューラルネットワークや畳み込みニューラルネットワークよりも精度が高いことを示す。
論文 参考訳（メタデータ） (2024-11-07T11:46:48Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Localised Adaptive Spatial-Temporal Graph Neural Network [17.707594255626216]
Adaptive Graph Sparsification (AGS) は、ASTGNNの局所化を極端に実現するグラフスカラー化アルゴリズムである。
ASTGNNの空間グラフは、テスト精度を低下させることなく99.5%以上のスペーサー化することができる。
ASTGNNの局所化は、大規模な時空間データに必要とされる重いオーバーヘッドを減らす可能性を秘めている。
論文 参考訳（メタデータ） (2023-06-12T08:08:53Z) - Neural networks for geospatial data [0.0]
NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。
NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。
理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
論文 参考訳（メタデータ） (2023-04-18T17:52:23Z) - Deep Spatial Domain Generalization [8.102110157532556]
本研究では,空間データをグラフとして扱う空間グラフニューラルネットワークを開発し,各ノードに空間埋め込みを学習する。
提案手法は,テストフェーズ中に見つからない位置の空間埋め込みを推定し,下流タスクモデルのパラメータを目標位置に直接デコードする。
論文 参考訳（メタデータ） (2022-10-03T06:16:20Z) - pathGCN: Learning General Graph Spatial Operators from Paths [9.539495585692007]
グラフ上のランダムパスから空間演算子を学習するための新しい手法であるpathGCNを提案する。
多数のデータセットに対する実験から,空間的および点的畳み込みを適切に学習することにより,過度なスムーシングのような現象は本質的に避けられることが示唆された。
論文 参考訳（メタデータ） (2022-07-15T11:28:11Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳（メタデータ） (2021-09-08T18:10:08Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - Fast Learning of Graph Neural Networks with Guaranteed Generalizability:
One-hidden-layer Case [93.37576644429578]
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から実際に学習する上で、近年大きな進歩を遂げている。
回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
論文 参考訳（メタデータ） (2020-06-25T00:45:52Z) - 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。