論文の概要: Crime Prediction with Graph Neural Networks and Multivariate Normal
Distributions
- arxiv url: http://arxiv.org/abs/2111.14733v1
- Date: Mon, 29 Nov 2021 17:37:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 17:28:40.829385
- Title: Crime Prediction with Graph Neural Networks and Multivariate Normal
Distributions
- Title(参考訳): グラフニューラルネットワークと多変量正規分布を用いた犯罪予測
- Authors: Selim Furkan Tekin, Suleyman Serdar Kozat
- Abstract要約: グラフ畳み込みネットワーク(GCN)のフレキシブルな構造を利用して,高分解能領域における疎結合問題に取り組む。
グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。
モデルが生成性だけでなく,正確性も示しています。
- 参考スコア(独自算出の注目度): 18.640610803366876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing approaches to the crime prediction problem are unsuccessful in
expressing the details since they assign the probability values to large
regions. This paper introduces a new architecture with the graph convolutional
networks (GCN) and multivariate Gaussian distributions to perform
high-resolution forecasting that applies to any spatiotemporal data. We tackle
the sparsity problem in high resolution by leveraging the flexible structure of
GCNs and providing a subdivision algorithm. We build our model with Graph
Convolutional Gated Recurrent Units (Graph-ConvGRU) to learn spatial, temporal,
and categorical relations. In each node of the graph, we learn a multivariate
probability distribution from the extracted features of GCNs. We perform
experiments on real-life and synthetic datasets, and our model obtains the best
validation and the best test score among the baseline models with significant
improvements. We show that our model is not only generative but also precise.
- Abstract(参考訳): 犯罪予測問題に対する既存のアプローチは、大きな領域に確率値を割り当てるため、詳細を表現するのに失敗している。
本稿では,グラフ畳み込みネットワーク(gcn)と多変量ガウス分布を用いて,時空間データに適用可能な高分解能予測を行う新しいアーキテクチャを提案する。
我々はGCNのフレキシブルな構造を活用し、分割アルゴリズムを提供することにより、高分解能で空間幅の問題に取り組む。
グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。
グラフの各ノードにおいて,GCNの抽出した特徴から多変量確率分布を学習する。
実生活および合成データセットの実験を行い、本モデルでは、ベースラインモデルの中で最高の検証結果と最適なテストスコアを得られた。
我々のモデルは生成性だけでなく正確性も示している。
関連論文リスト
- Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。
本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。
本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
論文 参考訳(メタデータ) (2024-08-25T16:00:44Z) - 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) - AGNN: Alternating Graph-Regularized Neural Networks to Alleviate
Over-Smoothing [29.618952407794776]
グラフ畳み込み層(GCL)とグラフ埋め込み層(GEL)からなる交代グラフ正規化ニューラルネットワーク(AGNN)を提案する。
GELはラプラシアン埋め込み項を含むグラフ正規化最適化から導かれる。
AGNNは、いくつかの多層または多次グラフニューラルネットワークのパフォーマンス比較を含む、多数の実験を通じて評価されている。
論文 参考訳(メタデータ) (2023-04-14T09:20:03Z) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳(メタデータ) (2022-11-26T22:13:06Z) - Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。
提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文 参考訳(メタデータ) (2022-07-18T04:34:08Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Differentiable Reasoning over Long Stories -- Assessing Systematic
Generalisation in Neural Models [12.479512369785082]
グラフ構造化データを同時に処理し、エッジ属性を同時に考慮できるグラフベースのモデルである"E-GNN"と、グラフの線形化バージョンを処理できるシーケンスベースのモデルである"L-Graph"である。
その結果、修正されたリカレントニューラルネットワークは、グラフニューラルネットワークよりも優れた体系的な一般化タスク全体にわたって驚くほど正確な結果が得られることがわかった。
論文 参考訳(メタデータ) (2022-03-20T18:34:42Z) - Generalization of graph network inferences in higher-order graphical
models [5.33024001730262]
確率的グラフィカルモデルは、複雑な統計構造を記述する強力なツールを提供する。
辺化のような推論は 一般グラフでは難解です
我々は,多変数相互作用を含むグラフィカルモデル上での高速な近似推定を実現するために,Recurrent Factor Graph Neural Network (RF-GNN) を定義する。
論文 参考訳(メタデータ) (2021-07-12T20:51:27Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳(メタデータ) (2021-03-27T04:47:59Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。