論文の概要: DeepGraphONet: A Deep Graph Operator Network to Learn and Zero-shot
Transfer the Dynamic Response of Networked Systems
- arxiv url: http://arxiv.org/abs/2209.10622v1
- Date: Wed, 21 Sep 2022 19:24:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:41:30.580955
- Title: DeepGraphONet: A Deep Graph Operator Network to Learn and Zero-shot
Transfer the Dynamic Response of Networked Systems
- Title（参考訳）: DeepGraphONet:ネットワークシステムの動的応答を学習・ゼロショット転送するディープグラフ演算子ネットワーク
- Authors: Yixuan Sun, Christian Moya, Guang Lin, Meng Yue
- Abstract要約: 基礎となるサブグラフ構造を持つ複雑なシステムの力学を近似するフレームワークを開発する。
結果のDeepGraphONetは、与えられた短期/中期の時間的地平線内でのダイナミクスを予測することができる。
i)電力グリッドの過渡安定性予測問題と(ii)車両システムの交通流予測問題に関する実験結果から,提案したDeepGraphONetの有効性が示された。
- 参考スコア（独自算出の注目度）: 7.618038774405048
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper develops a Deep Graph Operator Network (DeepGraphONet) framework
that learns to approximate the dynamics of a complex system (e.g. the power
grid or traffic) with an underlying sub-graph structure. We build our
DeepGraphONet by fusing the ability of (i) Graph Neural Networks (GNN) to
exploit spatially correlated graph information and (ii) Deep Operator
Networks~(DeepONet) to approximate the solution operator of dynamical systems.
The resulting DeepGraphONet can then predict the dynamics within a given
short/medium-term time horizon by observing a finite history of the graph state
information. Furthermore, we design our DeepGraphONet to be
resolution-independent. That is, we do not require the finite history to be
collected at the exact/same resolution. In addition, to disseminate the results
from a trained DeepGraphONet, we design a zero-shot learning strategy that
enables using it on a different sub-graph. Finally, empirical results on the
(i) transient stability prediction problem of power grids and (ii) traffic flow
forecasting problem of a vehicular system illustrate the effectiveness of the
proposed DeepGraphONet.
- Abstract（参考訳）: 本稿では,複雑なシステム(電力グリッドやトラヒックなど)のダイナミクスを基礎となるサブグラフ構造で近似する,ディープグラフ演算子ネットワーク(deepgraphonet)フレームワークを開発した。
私たちはDeepGraphONetの機能を融合して構築しています
(i)グラフニューラルネットワーク(gnn)による空間相関グラフ情報の利用
(II)動的システムの解演算子を近似するためのDeep Operator Networks~(DeepONet)。
結果のDeepGraphONetは、グラフ状態情報の有限履歴を観察することによって、与えられた短期/中期の時間水平線内のダイナミクスを予測することができる。
さらに,我々はdeepgraphonetを解像度非依存に設計する。
すなわち、正確な/同じ解像度で収集する有限履歴を必要としない。
さらに,訓練されたdeepgraphonetから結果を広めるために,異なるサブグラフで使用するためのゼロショット学習戦略を設計する。
最後に 実証的な結果です
(i)送電網の過渡安定予測問題、及び
(2)車両システムの交通流予測問題は,提案したDeepGraphONetの有効性を示す。
関連論文リスト
- Information propagation dynamics in Deep Graph Networks [1.8130068086063336]
Deep Graph Networks(DGN)は、構造化情報の処理と学習が可能なディープラーニングモデルのファミリとして登場した。
この論文は、静的グラフと動的グラフのためのDGNの内部の情報伝達のダイナミクスを考察し、動的システムとしての設計に焦点をあてる。
論文 参考訳（メタデータ） (2024-10-14T12:55:51Z) - Layer-wise training for self-supervised learning on graphs [0.0]
大規模グラフ上でのグラフニューラルネットワーク(GNN)のエンドツーエンドトレーニングは、いくつかのメモリと計算上の課題を示す。
本稿では,GNN層を自己教師型で学習するアルゴリズムであるレイヤワイズ正規化グラフInfomaxを提案する。
論文 参考訳（メタデータ） (2023-09-04T10:23:39Z) - 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) - 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) - Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。
これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-07T15:05:59Z) - 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) - Temporal Graph Networks for Deep Learning on Dynamic Graphs [4.5158585619109495]
時系列グラフネットワーク(TGN)は,時系列イベントのシーケンスとして表される動的グラフの深層学習のための汎用的で効率的なフレームワークである。
メモリモジュールとグラフベースの演算子を組み合わせた新しい組み合わせにより、TGNは、計算効率が向上した以前のアプローチを大幅に上回ることができる。
論文 参考訳（メタデータ） (2020-06-18T16:06:18Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳（メタデータ） (2020-01-18T09:14:16Z)
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。