論文の概要: Complex-Value Spatio-temporal Graph Convolutional Neural Networks and its Applications to Electric Power Systems AI

• arxiv url: http://arxiv.org/abs/2208.08485v1
• Date: Wed, 17 Aug 2022 18:56:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-19 14:14:35.197802
• Title: Complex-Value Spatio-temporal Graph Convolutional Neural Networks and its Applications to Electric Power Systems AI
• Title（参考訳）: 複素値時空間グラフ畳み込みニューラルネットワークとその電力系統aiへの応用
• Authors: Tong Wu, Anna Scaglione, Daniel Arnold
• Abstract要約: グラフ畳み込みニューラルネットワーク(GCN)を複素領域に一般化する。 複素数値GCNは、基礎となるグラフサポートの摂動に対して安定であることを示す。 我々は複雑なGCNを電力グリッド状態予測、電力グリッド攻撃検出、局所化に適用する。
• 参考スコア（独自算出の注目度）: 24.914412344973996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effective representation, precessing, analysis, and visualization of large-scale structured data over graphs are gaining a lot of attention. So far most of the literature has focused on real-valued signals. However, signals are often sparse in the Fourier domain, and more informative and compact representations for them can be obtained using the complex envelope of their spectral components, as opposed to the original real-valued signals. Motivated by this fact, in this work we generalize graph convolutional neural networks (GCN) to the complex domain, deriving the theory that allows to incorporate a complex-valued graph shift operators (GSO) in the definition of graph filters (GF) and process complex-valued graph signals (GS). The theory developed can handle spatio-temporal complex network processes. We prove that complex-valued GCNs are stable with respect to perturbations of the underlying graph support, the bound of the transfer error and the bound of error propagation through multiply layers. Then we apply complex GCN to power grid state forecasting, power grid cyber-attack detection and localization.
• Abstract（参考訳）: グラフ上の大規模構造化データの効率的な表現、予測、分析、可視化が注目されている。 これまでのところ、ほとんどの文献は実価値信号に焦点を合わせてきた。 しかし、信号はしばしばフーリエ領域で疎結合であり、それらに対するより情報的でコンパクトな表現は、元の実数値信号とは対照的にスペクトル成分の複素包絡を用いて得ることができる。 この事実に動機づけられて、本研究では、グラフ畳み込みニューラルネットワーク(gcn)を複素領域に一般化し、グラフフィルタ(gf)の定義に複素値グラフシフト演算子(gso)を組み込んで、複素値グラフ信号(gs)を処理可能にする理論を導出する。 開発された理論は時空間複雑なネットワークプロセスを扱うことができる。 複素数値GCNは、基礎となるグラフサポートの摂動、転送エラーの境界、および多重層によるエラー伝播のバウンダリに対して安定であることを示す。 次に、複雑なGCNを電力グリッド状態予測、電力グリッドサイバー攻撃検出およびローカライゼーションに適用する。

関連論文リスト

• What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
  自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。 本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
  論文  参考訳（メタデータ） (2024-06-04T05:30:16Z)
• Demystifying Oversmoothing in Attention-Based Graph Neural Networks [23.853636836842604]
  グラフニューラルネットワーク(GNN)におけるオーバースムーシング(Oversmoothing in Graph Neural Networks)とは、ネットワーク深度の増加がノードの均質表現につながる現象である。 これまでの研究により、グラフ畳み込みネットワーク(GCN)は指数関数的に表現力を失うことが判明した。 グラフアテンション機構が過剰なスムースを緩和できるかどうかはまだ議論の余地がある。
  論文  参考訳（メタデータ） (2023-05-25T14:31:59Z)
• Stable and Transferable Hyper-Graph Neural Networks [95.07035704188984]
  グラフニューラルネットワーク(GNN)を用いたハイパーグラフでサポートする信号処理アーキテクチャを提案する。 スペクトル類似性により任意のグラフにまたがってGNNの安定性と転送可能性の誤差をバウンドするフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-11-11T23:44:20Z)
• 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)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Grid-to-Graph: Flexible Spatial Relational Inductive Biases for Reinforcement Learning [8.169818701603313]
  我々は、関係グラフの形式でエンコードされた関係帰納バイアスをエージェントに組み込むことができることを示す。 本稿ではグリッド構造から有意な帰納バイアスを持つ関係グラフへのマッピングであるグリッド・トゥ・グラフ(GTG)を提案する。 我々は,GTGが知識ベースにおける観察と環境エンコードされたダイナミックスに対して共同で推論可能なエージェントを生成することを示す。
  論文  参考訳（メタデータ） (2021-02-08T14:15:13Z)

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。