論文の概要: Unboxing the graph: Neural Relational Inference for Mobility Prediction
- arxiv url: http://arxiv.org/abs/2201.10307v1
- Date: Tue, 25 Jan 2022 13:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 16:18:45.469122
- Title: Unboxing the graph: Neural Relational Inference for Mobility Prediction
- Title（参考訳）: グラフのアンボックス: 移動予測のためのニューラルリレーショナル推論
- Authors: Mathias Niemann Tygesen, Francisco C. Pereira, Filipe Rodrigues
- Abstract要約: グラフネットワーク(GNN)は、非ユークリッド空間データに広く応用されている。
本稿では,最適グラフモデルを動的に学習するニューラル推論を用いる。
- 参考スコア（独自算出の注目度）: 15.4049962498675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the supply and demand of transport systems is vital for efficient
traffic management, control, optimization, and planning. For example,
predicting where from/to and when people intend to travel by taxi can support
fleet managers to distribute resources; better predicting traffic
speeds/congestion allows for pro-active control measures or for users to better
choose their paths. Making spatio-temporal predictions is known to be a hard
task, but recently Graph Neural Networks (GNNs) have been widely applied on
non-euclidean spatial data. However, most GNN models require a predefined
graph, and so far, researchers rely on heuristics to generate this graph for
the model to use. In this paper, we use Neural Relational Inference to learn
the optimal graph for the model. Our approach has several advantages: 1) a
Variational Auto Encoder structure allows for the graph to be dynamically
determined by the data, potentially changing through time; 2) the encoder
structure allows the use of external data in the generation of the graph; 3) it
is possible to place Bayesian priors on the generated graphs to encode domain
knowledge. We conduct experiments on two datasets, namely the NYC Yellow Taxi
and the PEMS road traffic datasets. In both datasets, we outperform benchmarks
and show performance comparable to state-of-the-art. Furthermore, we do an
in-depth analysis of the learned graphs, providing insights on what kinds of
connections GNNs use for spatio-temporal predictions in the transport domain.
- Abstract（参考訳）: 輸送システムの供給と需要を予測することは、効率的な交通管理、制御、最適化、計画に不可欠である。
例えば、タクシーで行き先や行き先を予測することで、車両管理者のリソース配分を支援することができる。
時空間予測は困難であることが知られているが、近年では非ユークリッド空間データにグラフニューラルネットワーク(GNN)が広く適用されている。
しかし、ほとんどのGNNモデルは事前に定義されたグラフを必要としており、これまでの研究者はこのグラフを生成するためにヒューリスティックに依存している。
本稿では,モデルの最適グラフを学習するために,ニューラルリレーショナル推論を用いる。
私たちのアプローチにはいくつかの利点があります。
1) 変分オートエンコーダ構造は,そのデータによって動的に決定され,時間とともに変化する可能性がある。
2) エンコーダ構造は,グラフの生成において外部データの使用を可能にする。
3) ベイジアンを生成したグラフ上に配置してドメイン知識を符号化することが可能である。
我々は,ニューヨーク・イエロータクシーとPEMS道路交通データセットの2つのデータセットについて実験を行った。
両方のデータセットでベンチマークを上回り、最先端に匹敵するパフォーマンスを示します。
さらに,学習グラフの詳細な分析を行い,gnnがトランスポート領域における時空間予測に使用する接続の種類について考察する。
関連論文リスト
- Graph Construction with Flexible Nodes for Traffic Demand Prediction [44.1996864038085]
本稿では,自由フローティング交通モードに適したグラフ構築手法を提案する。
グラフ内のノードのフレキシブルな位置決めを決定するために,新しい密度ベースクラスタリングアルゴリズム (HDPC-L) を提案する。
深セン自転車シェアリングデータセットとハイコウライドシェアリングデータセットの2つの実世界のデータセットに関する総合的な実験は、この手法がモデルの性能を大幅に改善することを示している。
論文 参考訳（メタデータ） (2024-03-01T04:38:51Z) - Deep Prompt Tuning for Graph Transformers [55.2480439325792]
ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。
ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。
事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
論文 参考訳（メタデータ） (2023-09-18T20:12:17Z) - Attention-based Dynamic Graph Convolutional Recurrent Neural Network for
Traffic Flow Prediction in Highway Transportation [0.6650227510403052]
高速道路交通における交通流予測を改善するために,注意に基づく動的グラフ畳み込みリカレントニューラルネットワーク(ADG-N)を提案する。
グラフ畳み込み演算のオーバーフィッティングを低減するために、高い相対ノードを強調する専用ゲートカーネルが完全なグラフ上に導入された。
論文 参考訳（メタデータ） (2023-09-13T13:57:21Z) - STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。
次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。
ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
論文 参考訳（メタデータ） (2023-07-02T06:56:52Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Few-Shot Traffic Prediction with Graph Networks using Locale as
Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。
本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。
また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文 参考訳（メタデータ） (2022-03-08T09:46:50Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳（メタデータ） (2021-06-05T07:07:52Z) - Dynamic Graph Convolutional Recurrent Network for Traffic Prediction:
Benchmark and Solution [18.309299822858243]
DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。
DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。
我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
論文 参考訳（メタデータ） (2021-04-30T11:25:43Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳（メタデータ） (2020-10-19T21:51:47Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z)
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。