論文の概要: Recovering the Graph Underlying Networked Dynamical Systems under
Partial Observability: A Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2208.04405v3
- Date: Wed, 12 Apr 2023 22:07:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 20:31:51.288738
- Title: Recovering the Graph Underlying Networked Dynamical Systems under
Partial Observability: A Deep Learning Approach
- Title（参考訳）: 部分観測可能性に基づくネットワーク動的システムのグラフの復元:ディープラーニングアプローチ
- Authors: S\'ergio Machado, Anirudh Sridhar, Paulo Gil, Jorge Henriques, Jos\'e
M. F. Moura, Augusto Santos
- Abstract要約: 時系列間の依存グラフを復元するグラフ構造同定の問題について検討する。
観測時系列から計算した特徴ベクトルを考案し,これらの特徴が線形分離可能であることを示す。
私たちはこれらの機能を使って畳み込みニューラルネットワーク(CNN)を訓練します。
- 参考スコア（独自算出の注目度）: 7.209528581296429
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of graph structure identification, i.e., of recovering
the graph of dependencies among time series. We model these time series data as
components of the state of linear stochastic networked dynamical systems. We
assume partial observability, where the state evolution of only a subset of
nodes comprising the network is observed. We devise a new feature vector
computed from the observed time series and prove that these features are
linearly separable, i.e., there exists a hyperplane that separates the cluster
of features associated with connected pairs of nodes from those associated with
disconnected pairs. This renders the features amenable to train a variety of
classifiers to perform causal inference. In particular, we use these features
to train Convolutional Neural Networks (CNNs). The resulting causal inference
mechanism outperforms state-of-the-art counterparts w.r.t. sample-complexity.
The trained CNNs generalize well over structurally distinct networks (dense or
sparse) and noise-level profiles. Remarkably, they also generalize well to
real-world networks while trained over a synthetic network (realization of a
random graph). Finally, the proposed method consistently reconstructs the graph
in a pairwise manner, that is, by deciding if an edge or arrow is present or
absent in each pair of nodes, from the corresponding time series of each pair.
This fits the framework of large-scale systems, where observation or processing
of all nodes in the network is prohibitive.
- Abstract（参考訳）: 本研究では,時系列間の依存関係のグラフを復元するグラフ構造同定の問題について検討する。
時系列データを線形確率ネットワーク力学系の状態の構成要素としてモデル化する。
ネットワークを構成するノードのサブセットのみの状態変化が観測される部分的可観測性を仮定する。
我々は、観測時系列から計算された新しい特徴ベクトルを考案し、これらの特徴が線形分離可能であること、すなわち、接続されたノードのペアに関連する特徴のクラスタを非連結なペアに関連するものから分離する超平面が存在することを証明した。
これにより、様々な分類器を訓練して因果推論を実行することができる。
特に、これらの特徴を畳み込みニューラルネットワーク(cnns)のトレーニングに利用する。
結果として生じる因果推論機構は、最先端のサンプル複雑さよりも優れている。
訓練されたCNNは、構造的に異なるネットワーク(denseまたはsparse)とノイズレベルのプロファイルをうまく一般化する。
注目すべきは、合成ネットワーク(ランダムグラフの実現)をトレーニングしながら、現実世界のネットワークによく応用できることだ。
最後に,提案手法は,各ノードにエッジや矢印が存在するか否かを,各ペアの対応する時系列から決定することにより,グラフを一貫した一対的に再構築する。
これは、ネットワーク内のすべてのノードの観測や処理が禁止される大規模システムのフレームワークに適合する。
関連論文リスト
- Formal Verification of Graph Convolutional Networks with Uncertain Node Features and Uncertain Graph Structure [7.133681867718039]
グラフニューラルネットワークは、機械学習の分野でますます人気が高まっている。
これらは、摂動が本質的に起こる安全クリティカルな環境に適用されている。
本研究は、基礎となる計算におけるすべての要素の依存関係を保存することによって、非通過ギャップに対処する。
論文 参考訳（メタデータ） (2024-04-23T14:12:48Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Inferring the Graph of Networked Dynamical Systems under Partial
Observability and Spatially Colored Noise [2.362288417229025]
ネットワーク動的システム(Networked Dynamical System, NDS)では、各ノードが近隣ノードのダイナミクスと結合されたシステムである。
基盤となるネットワークは多くのアプリケーションで未知であり、観測データから推測されるべきである。
論文 参考訳（メタデータ） (2023-12-18T16:19:07Z) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳（メタデータ） (2023-06-06T16:24:27Z) - 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) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - 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) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Slope and generalization properties of neural networks [0.0]
十分に訓練されたニューラルネットワーク分類器の勾配分布は、一般に、完全に接続されたネットワークの層幅から独立していることを示す。
傾斜は、関連する体積を通して類似した大きさであり、滑らかに変化する。また、再スケーリングの例でも予測されるように振る舞う。
本稿では、損失関数の一部として利用したり、ネットワークトレーニング中に基準を終了させたり、複雑度の観点からデータセットをランク付けしたりといった、斜面概念の応用の可能性について論じる。
論文 参考訳（メタデータ） (2021-07-03T17:54:27Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z)
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。