論文の概要: Disentangled Spatiotemporal Graph Generative Models

• arxiv url: http://arxiv.org/abs/2203.00411v1
• Date: Mon, 28 Feb 2022 08:36:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 13:52:58.323581
• Title: Disentangled Spatiotemporal Graph Generative Models
• Title（参考訳）: 遠方性時空間グラフ生成モデル
• Authors: Yuanqi Du and Xiaojie Guo and Hengning Cao and Yanfang Ye and Liang Zhao
• Abstract要約: グラフデータは、ミクロスケール(タンパク質の折り畳みなど)から中スケール(人間の移動ネットワークなど)まで、ますます重要になってきています
• 参考スコア（独自算出の注目度）: 32.11916705039446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal graph represents a crucial data structure where the nodes and edges are embedded in a geometric space and can evolve dynamically over time. Nowadays, spatiotemporal graph data is becoming increasingly popular and important, ranging from microscale (e.g. protein folding), to middle-scale (e.g. dynamic functional connectivity), to macro-scale (e.g. human mobility network). Although disentangling and understanding the correlations among spatial, temporal, and graph aspects have been a long-standing key topic in network science, they typically rely on network processing hypothesized by human knowledge. This usually fit well towards the graph properties which can be predefined, but cannot do well for the most cases, especially for many key domains where the human has yet very limited knowledge such as protein folding and biological neuronal networks. In this paper, we aim at pushing forward the modeling and understanding of spatiotemporal graphs via new disentangled deep generative models. Specifically, a new Bayesian model is proposed that factorizes spatiotemporal graphs into spatial, temporal, and graph factors as well as the factors that explain the interplay among them. A variational objective function and new mutual information thresholding algorithms driven by information bottleneck theory have been proposed to maximize the disentanglement among the factors with theoretical guarantees. Qualitative and quantitative experiments on both synthetic and real-world datasets demonstrate the superiority of the proposed model over the state-of-the-arts by up to 69.2% for graph generation and 41.5% for interpretability.
• Abstract（参考訳）: 時空間グラフは、ノードとエッジが幾何学空間に埋め込まれ、時間とともに動的に進化できる重要なデータ構造である。 現在、時空間グラフデータは、マイクロスケール(タンパク質の折り畳みなど)から中規模(動的機能接続など)、マクロスケール(人間のモビリティネットワークなど)まで、ますます人気と重要性を増している。 空間的・時間的・グラフ的側面間の相関関係の曖昧化と理解は、ネットワーク科学における長年の重要なトピックであるが、それらは人間の知識によって仮定されたネットワーク処理に依存している。 これは通常、事前に定義できるグラフプロパティにうまく適合するが、ほとんどの場合、特にタンパク質の折りたたみや生物学的ニューロンネットワークのような非常に限られた知識を持っている多くのキードメインではうまく機能しない。 本稿では,新しい非絡み合った深部生成モデルを用いて,時空間グラフのモデリングと理解を推し進めることを目的とする。 具体的には、時空間グラフを空間的、時空間的、グラフ的要素に分解し、それらの相互作用を説明する新しいベイズモデルを提案する。 情報ボトルネック理論によって駆動される変分目的関数と新たな相互情報しきい値決定アルゴリズムが提案され,理論的保証のある要因間の絡み合いを最大化する。 合成と実世界の両方のデータセットの質的および定量的な実験は、提案されたモデルが最先端のモデルよりも69.2%、解釈可能性41.5%まで優れていることを示した。

関連論文リスト

• Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
  グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。 そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。 我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
  論文  参考訳（メタデータ） (2024-05-27T13:36:50Z)
• 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)
• Relational representation learning with spike trains [0.0]
  本稿では,スパイクパターンの時間領域を完全に活用することで,知識グラフのスパイクトレインによる埋め込みを学習できるモデルを提案する。 以上の結果から,リレーショナル知識をスパイクベースシステムに統合することで,イベントベースコンピューティングとデータをマージして,パワフルでエネルギー効率の高い人工知能アプリケーションや推論システムを構築する可能性を明らかにする。
  論文  参考訳（メタデータ） (2022-05-18T18:00:37Z)
• Long-term Spatio-temporal Forecasting via Dynamic Multiple-Graph Attention [20.52864145999387]
  長期的テンソル時間予測(LSTF)は、空間的領域と時間的領域、文脈的情報、およびデータ固有のパターン間の長期的依存関係を利用する。 本稿では,各ノードのコンテキスト情報と長期駐車による時間的データ依存構造を表現する新しいグラフモデルを提案する。 提案手法は,LSTF予測タスクにおける既存のグラフニューラルネットワークモデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-04-23T06:51:37Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
  グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。 グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。 近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Structured Time Series Prediction without Structural Prior [0.152292571922932]
  時系列予測は、多くの領域の応用において広くよく研究されている問題である。 このようなグラフに依存しない完全データ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-07T22:01:58Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• EvoNet: A Neural Network for Predicting the Evolution of Dynamic Graphs [26.77596449192451]
  動的グラフの進化を予測するモデルを提案する。 具体的には、動的グラフの時間的進化パターンを捉えるために、グラフニューラルネットワークと繰り返しアーキテクチャを使用します。 提案手法は,ネットワークの進化にともなう複数の人工データセットと実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-03-02T12:59:05Z)

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。