Fugu-MT 論文翻訳(概要): Deep Dynamic Effective Connectivity Estimation from Multivariate Time Series

論文の概要: Deep Dynamic Effective Connectivity Estimation from Multivariate Time Series

arxiv url: http://arxiv.org/abs/2202.02393v1
Date: Fri, 4 Feb 2022 21:14:21 GMT
ステータス: 処理完了
システム内更新日: 2022-02-13 19:13:22.238338
Title: Deep Dynamic Effective Connectivity Estimation from Multivariate Time Series
Title（参考訳）: 多変量時系列からの深い動的有効接続推定
Authors: Usman Mahmood, Zening Fu, Vince Calhoun, Sergey Plis
Abstract要約: 我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。 DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently, methods that represent data as a graph, such as graph neural networks (GNNs) have been successfully used to learn data representations and structures to solve classification and link prediction problems. The applications of such methods are vast and diverse, but most of the current work relies on the assumption of a static graph. This assumption does not hold for many highly dynamic systems, where the underlying connectivity structure is non-stationary and is mostly unobserved. Using a static model in these situations may result in sub-optimal performance. In contrast, modeling changes in graph structure with time can provide information about the system whose applications go beyond classification. Most work of this type does not learn effective connectivity and focuses on cross-correlation between nodes to generate undirected graphs. An undirected graph is unable to capture direction of an interaction which is vital in many fields, including neuroscience. To bridge this gap, we developed dynamic effective connectivity estimation via neural network training (DECENNT), a novel model to learn an interpretable directed and dynamic graph induced by the downstream classification/prediction task. DECENNT outperforms state-of-the-art (SOTA) methods on five different tasks and infers interpretable task-specific dynamic graphs. The dynamic graphs inferred from functional neuroimaging data align well with the existing literature and provide additional information. Additionally, the temporal attention module of DECENNT identifies time-intervals crucial for predictive downstream task from multivariate time series data.
Abstract（参考訳）: 近年、グラフニューラルネットワーク(GNN)のようなグラフとしてデータを表現する手法は、分類とリンク予測の問題を解決するためにデータ表現と構造を学ぶのに成功している。このような手法の応用は広く多様であるが、現在の研究の多くは静的グラフの仮定に依存している。この仮定は、基盤となる接続構造が非定常であり、ほとんど観測されない多くの非常にダイナミックなシステムでは成立しない。このような状況で静的モデルを使用することで、サブ最適性能が得られる。対照的に、時間を伴うグラフ構造の変化のモデリングは、アプリケーションが分類を超えたシステムに関する情報を提供することができる。このタイプの作業の多くは効果的な接続を学ばず、無向グラフを生成するノード間の相互相関に重点を置いている。無向グラフは神経科学を含む多くの分野において重要な相互作用の方向を捉えることができない。このギャップを埋めるために,下流分類・予測タスクによって引き起こされる解釈可能な有向および動的グラフを学習する新しいモデルであるdecennt(neural network training)による動的有効接続推定法を開発した。 DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。機能的神経画像データから推定された動的グラフは、既存の文献とよく一致し、追加情報を提供する。さらに、DECENNTの時間的注意モジュールは、多変量時系列データから予測下流タスクに不可欠な時間間隔を特定する。

関連論文リスト

Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
論文参考訳（メタデータ） (2024-05-23T10:26:18Z)
Node-Time Conditional Prompt Learning In Dynamic Graphs [14.62182210205324]
DYGPROMPTは動的グラフモデリングのための新しい事前学習および迅速な学習フレームワークである。我々はノードと時間の特徴が相互に特徴付けることを認識し、下流タスクにおけるノード時間パターンの進化をモデル化するための2つの条件ネットを提案する。
論文参考訳（メタデータ） (2024-05-22T19:10:24Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
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)
TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time Series Classification [6.76723360505692]
未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。 26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
論文参考訳（メタデータ） (2023-04-11T09:21:28Z)
Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文参考訳（メタデータ） (2022-09-20T14:41:37Z)
Continuous Temporal Graph Networks for Event-Based Graph Data [41.786721257905555]
本研究では、時間グラフデータの連続的ダイナミクスを捉えるために、CTGN(Continuous Temporal Graph Networks)を提案する。鍵となる考え方は、ニューラルネットワークの常微分方程式(ODE)を用いて、動的グラフ上のノード表現の連続的ダイナミクスを特徴づけることである。帰納的タスクと帰納的タスクの両方の実験結果から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2022-05-31T16:17:02Z)
Efficient-Dyn: Dynamic Graph Representation Learning via Event-based Temporal Sparse Attention Network [2.0047096160313456]
動的グラフニューラルネットワークは、研究者からますます注目を集めている。本稿では,新しい動的グラフニューラルネットワークであるEfficient-Dynを提案する。時間的情報を同じ量の時間的トポロジ的構造を持つパッチのシーケンスに適応的に符号化する。
論文参考訳（メタデータ） (2022-01-04T23:52:24Z)
Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling [2.3022070933226217]
静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2021-12-06T08:19:15Z)
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)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。