論文の概要: Modeling Advection on Directed Graphs using Mat\'ern Gaussian Processes for Traffic Flow

• arxiv url: http://arxiv.org/abs/2201.00001v1
• Date: Tue, 14 Dec 2021 23:57:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-09 17:27:13.890076
• Title: Modeling Advection on Directed Graphs using Mat\'ern Gaussian Processes for Traffic Flow
• Title（参考訳）: Mat\'ern Gaussian Processs を用いた方向グラフ上の対流のモデル化
• Authors: Danielle C Maddix, Nadim Saad, Yuyang Wang
• Abstract要約: 交通流の輸送は、対流方程式によってモデル化できる。 このグラフ対流作用素を有限差分スキームとして再構成できることが示される。 次に、このグラフ対流作用素のダイナミクスを訓練可能なマタン・ガウス過程の核に組み込むモデルを提案する。
• 参考スコア（独自算出の注目度）: 9.93083589688111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The transport of traffic flow can be modeled by the advection equation. Finite difference and finite volumes methods have been used to numerically solve this hyperbolic equation on a mesh. Advection has also been modeled discretely on directed graphs using the graph advection operator [4, 18]. In this paper, we first show that we can reformulate this graph advection operator as a finite difference scheme. We then propose the Directed Graph Advection Mat\'ern Gaussian Process (DGAMGP) model that incorporates the dynamics of this graph advection operator into the kernel of a trainable Mat\'ern Gaussian Process to effectively model traffic flow and its uncertainty as an advective process on a directed graph.
• Abstract（参考訳）: 交通流の輸送は、対流方程式によってモデル化できる。 有限差分法と有限体積法は、この双曲方程式をメッシュ上で数値的に解くために用いられる。 有向グラフにもグラフ有向演算子 [4, 18] を用いて離散的にモデル化されている。 本稿では,このグラフ対流演算子を有限差分スキームとして再構成できることを最初に示す。 次に,このグラフ随伴演算子のダイナミクスを学習可能なmat\'ern gaussianプロセスのカーネルに組み込む有向グラフ随伴行列(dgamgp)モデルを提案し,その不確かさを有向グラフ上の随伴過程として効果的にモデル化する。

関連論文リスト

• Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
  混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。 このモデルでは、多様な軌道パターンを生成する能力が向上している。 また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Representing Edge Flows on Graphs via Sparse Cell Complexes [6.74438532801556]
  本稿では, フロー表現学習問題,すなわち, 観測されたグラフをセルの集合で拡張する問題を紹介する。 この問題はNPハードであり,その解に対する効率的な近似アルゴリズムを導入している。
  論文  参考訳（メタデータ） (2023-09-04T14:30:20Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Capturing Graphs with Hypo-Elliptic Diffusions [7.704064306361941]
  ランダムウォークの分布はグラフラプラシアンを用いて定義された拡散方程式に従って進化することを示す。 この結果、テンソル値のグラフ作用素が新しくなり、これは下楕円グラフラプラシアン (Laplacian) と呼ばれる。 本手法は,長距離推論を必要とするデータセット上のグラフ変換器と競合するが,エッジ数では線形にしかスケールしないことを示す。
  論文  参考訳（メタデータ） (2022-05-27T16:47:34Z)
• 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)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)
• 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)
• Graph Convolutional Gaussian Processes For Link Prediction [0.0]
  リンク予測は、グラフに欠けているエッジを明らかにすることを目的としている。 本稿では,グラフ構造ドメイン上に擬似入力を配置する変分誘導点法を提案する。 最大数千のノードを持つ8つの大きなグラフ上でモデルを評価し、一貫した改善を報告する。
  論文  参考訳（メタデータ） (2020-02-11T12:12:21Z)

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。