論文の概要: Scalable Spatiotemporal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2209.06520v1
• Date: Wed, 14 Sep 2022 09:47:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 12:56:42.670249
• Title: Scalable Spatiotemporal Graph Neural Networks
• Title（参考訳）: スケーラブル時空間グラフニューラルネットワーク
• Authors: Andrea Cini, Ivan Marisca, Filippo Maria Bianchi, Cesare Alippi
• Abstract要約: グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。 ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。 本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 14.415967477487692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural forecasting of spatiotemporal time series drives both research and industrial innovation in several relevant application domains. Graph neural networks (GNNs) are often the core component of the forecasting architecture. However, in most spatiotemporal GNNs, the computational complexity scales up to a quadratic factor with the length of the sequence times the number of links in the graph, hence hindering the application of these models to large graphs and long temporal sequences. While methods to improve scalability have been proposed in the context of static graphs, few research efforts have been devoted to the spatiotemporal case. To fill this gap, we propose a scalable architecture that exploits an efficient encoding of both temporal and spatial dynamics. In particular, we use a randomized recurrent neural network to embed the history of the input time series into high-dimensional state representations encompassing multi-scale temporal dynamics. Such representations are then propagated along the spatial dimension using different powers of the graph adjacency matrix to generate node embeddings characterized by a rich pool of spatiotemporal features. The resulting node embeddings can be efficiently pre-computed in an unsupervised manner, before being fed to a feed-forward decoder that learns to map the multi-scale spatiotemporal representations to predictions. The training procedure can then be parallelized node-wise by sampling the node embeddings without breaking any dependency, thus enabling scalability to large networks. Empirical results on relevant datasets show that our approach achieves results competitive with the state of the art, while dramatically reducing the computational burden.
• Abstract（参考訳）: 時空間時系列の神経予測は、いくつかの関連するアプリケーション領域における研究と産業の革新を駆動する。 グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。 しかし、ほとんどの時空間GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの倍の長さの二次的因子までスケールするため、これらのモデルを大きなグラフや長い時間的シーケンスに適用することを妨げる。 静的グラフの文脈ではスケーラビリティを改善する手法が提案されているが、時空間の場合の研究は少ない。 このギャップを埋めるために,時間的および空間的ダイナミクスを効率的にエンコーディングするスケーラブルなアーキテクチャを提案する。 特に、ランダム化されたリカレントニューラルネットワークを用いて、入力時系列の歴史をマルチスケール時間力学を含む高次元状態表現に埋め込む。 このような表現は、グラフ隣接行列の異なるパワーを用いて空間次元に沿って伝播し、時空間の特徴の豊富なプールによって特徴づけられるノード埋め込みを生成する。 結果として得られるノードの埋め込みは、マルチスケールの時空間表現を予測にマッピングする方法を学ぶフィードフォワードデコーダに送られる前に、教師なしの方法で効率的に事前計算することができる。 そして、依存関係を壊さずにノード埋め込みをサンプリングすることで、トレーニング手順をノード単位で並列化することができる。 関連するデータセットに対する実験結果から,我々の手法は,計算負担を劇的に減らしながら,技術状況と競合する結果が得られることが示された。

関連論文リスト

• Higher-order Spatio-temporal Physics-incorporated Graph Neural Network for Multivariate Time Series Imputation [9.450743095412896]
  欠落値は、複雑な潜時相関と時系列の動的性質のために必須だが難しい問題である。 この問題に対処するために,高次時空間物理を組み込んだグラフニューラルネットワーク(HSPGNN)を提案する。 HSPGNNは従来のデータ駆動型モデルよりも優れた動的解析と説明を提供する。
  論文  参考訳（メタデータ） (2024-05-16T16:35:43Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Using Time-Aware Graph Neural Networks to Predict Temporal Centralities in Dynamic Graphs [0.8057006406834466]
  De Bruijn Graph Neural Networks (DBGNN) の時系列データにおける時間的経路に基づく集中度予測への応用について検討する。 生物学的および社会システムからの13の時間グラフを用いて,我々のアプローチを実験的に評価した。
  論文  参考訳（メタデータ） (2023-10-24T14:23:10Z)
• 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)
• 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)
• STGIN: A Spatial Temporal Graph-Informer Network for Long Sequence Traffic Speed Forecasting [8.596556653895028]
  本研究では,長期交通パラメータ予測問題に対処する新しい時空間ニューラルネットワークアーキテクチャを提案する。 注意機構は、遠方の入力から重要な情報を失うことなく、長期的な予測性能を保証する可能性がある。
  論文  参考訳（メタデータ） (2022-10-01T05:58:22Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。