論文の概要: Graph Neural Controlled Differential Equations for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2112.03558v1
• Date: Tue, 7 Dec 2021 08:14:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 13:54:35.693980
• Title: Graph Neural Controlled Differential Equations for Traffic Forecasting
• Title（参考訳）: 交通予測のためのグラフニューラル制御微分方程式
• Authors: Jeongwhan Choi, Hwangyong Choi, Jeehyun Hwang, Noseong Park
• Abstract要約: トラフィックは、機械学習の分野でもっとも人気のある時間的タスクの1つである。 本稿では,グラフニューラル制御微分方程式(NCDE)の手法を提案する。 概念を拡張して2つのNCDEを設計する:1つは時間処理、もう1つは空間処理である。
• 参考スコア（独自算出の注目度）: 4.012886243094023
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traffic forecasting is one of the most popular spatio-temporal tasks in the field of machine learning. A prevalent approach in the field is to combine graph convolutional networks and recurrent neural networks for the spatio-temporal processing. There has been fierce competition and many novel methods have been proposed. In this paper, we present the method of spatio-temporal graph neural controlled differential equation (STG-NCDE). Neural controlled differential equations (NCDEs) are a breakthrough concept for processing sequential data. We extend the concept and design two NCDEs: one for the temporal processing and the other for the spatial processing. After that, we combine them into a single framework. We conduct experiments with 6 benchmark datasets and 20 baselines. STG-NCDE shows the best accuracy in all cases, outperforming all those 20 baselines by non-trivial margins.
• Abstract（参考訳）: トラフィック予測は、機械学習の分野で最も一般的な時空間的タスクの1つである。 この分野で一般的なアプローチは、時空間処理のためにグラフ畳み込みネットワークと繰り返しニューラルネットワークを組み合わせることである。 激しい競争があり、多くの新しい方法が提案されている。 本稿では,時空間グラフニューラル制御微分方程式(stg-ncde)の方法を提案する。 neural controlled differential equation (ncdes) はシーケンシャルデータを処理するための画期的な概念である。 本研究では,時間処理用と空間処理用という2つのNCDEの概念を拡張し,設計する。 その後、それらをひとつのフレームワークにまとめます。 6つのベンチマークデータセットと20のベースラインで実験を行います。 STG-NCDEはすべてのケースで最高の精度を示し、これら20のベースラインを非自明なマージンで上回っている。

関連論文リスト

• Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting [8.832864937330722]
  長距離交通予測は、交通ネットワークで観測される複雑な時間的相関のため、依然として困難な課題である。 本稿では,GRAM-ODE(Graph-based Multi-ODE Neural Networks)と呼ばれるアーキテクチャを提案する。 実世界の6つのデータセットを用いて行った大規模な実験は、最先端のベースラインと比較して、GRAM-ODEの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-30T02:10:42Z)
• 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)
• Graph Neural Rough Differential Equations for Traffic Forecasting [12.920211720852173]
  グラフニューラル微分方程式(STG-NRDE)の粗解法を提案する。 NRDEは時系列データを処理するための画期的な概念である。 6つのベンチマークデータセットと27のベースラインで実験を行います。
  論文  参考訳（メタデータ） (2023-03-20T06:57:10Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• 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)
• EXIT: Extrapolation and Interpolation-based Neural Controlled Differential Equations for Time-series Classification and Forecasting [19.37382379378985]
  神経制御微分方程式(NCDE)は深層学習におけるブレークスルーと見なされている。 本研究では、NCDEのコア部分、すなわち離散的な時系列入力から連続的なパスを生成することで、NCDEを強化する。 我々のNCDE設計では、下流の機械学習タスクに外挿情報と外挿情報の両方を使うことができる。
  論文  参考訳（メタデータ） (2022-04-19T09:37:36Z)
• Continual Spatio-Temporal Graph Convolutional Networks [87.86552250152872]
  時空間グラフ畳み込みニューラルネットワークを連続推論ネットワークとして再構成する。 オンライン推論において、最大109倍の時間複雑性、26倍のハードウェアアクセラレーション、最大割り当てメモリの最大52%の削減を観測した。
  論文  参考訳（メタデータ） (2022-03-21T14:23:18Z)
• 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)
• Attentive Neural Controlled Differential Equations for Time-series Classification and Forecasting [3.673363968661099]
  本稿では,時系列分類と予測のための注意神経制御微分方程式(ANCDE)を提案する。 非自明なマージンで全てのケースで最高の精度を示す。 我々の可視化は、提示された注意機構が重要な情報に焦点をあてることによって機能することを示している。
  論文  参考訳（メタデータ） (2021-09-04T14:17:01Z)
• 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)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。