Fugu-MT 論文翻訳(概要): Forecasting Graph Signals with Recursive MIMO Graph Filters

論文の概要: Forecasting Graph Signals with Recursive MIMO Graph Filters

arxiv url: http://arxiv.org/abs/2210.15258v1
Date: Thu, 27 Oct 2022 08:25:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 16:00:14.725460
Title: Forecasting Graph Signals with Recursive MIMO Graph Filters
Title（参考訳）: 再帰的mimoグラフフィルタによるグラフ信号予測
Authors: Jelmer van der Hoeven, Alberto Natali and Geert Leus
Abstract要約: グラフ上の時系列の予測は、グラフ信号処理における根本的な問題である。既存のアプローチでは、より大きなグラフを作成するために、この多次元情報を組み合わせるために製品グラフを使用する。本稿では,そのようなアプローチの限界を示すとともに,それらに取り組むための拡張を提案する。
参考スコア（独自算出の注目度）: 24.003433487241246
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Forecasting time series on graphs is a fundamental problem in graph signal processing. When each entity of the network carries a vector of values for each time stamp instead of a scalar one, existing approaches resort to the use of product graphs to combine this multidimensional information, at the expense of creating a larger graph. In this paper, we show the limitations of such approaches, and propose extensions to tackle them. Then, we propose a recursive multiple-input multiple-output graph filter which encompasses many already existing models in the literature while being more flexible. Numerical simulations on a real world data set show the effectiveness of the proposed models.
Abstract（参考訳）: グラフ上の時系列予測は、グラフ信号処理における根本的な問題である。ネットワークの各エンティティがスカラーではなく各タイムスタンプの値のベクトルを持つ場合、既存のアプローチでは、より大きなグラフの作成を犠牲にして、この多次元情報を組み合わせるために製品グラフを使用する。本稿では,そのようなアプローチの限界を示し,それに取り組むための拡張を提案する。そこで本研究では,文献にすでに多数存在するモデルを柔軟に包含する再帰的多入力多出力グラフフィルタを提案する。実世界のデータセット上の数値シミュレーションは,提案モデルの有効性を示す。

関連論文リスト

Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文参考訳（メタデータ） (2024-11-08T17:40:43Z)
InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
論文参考訳（メタデータ） (2024-10-09T17:56:15Z)
Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
論文参考訳（メタデータ） (2023-11-03T16:50:26Z)
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)
Sparsification and Filtering for Spatial-temporal GNN in Multivariate Time-series [0.0]
本稿では,時空間グラフニューラルネットワークと行列フィルタリングモジュールを統合した多変量時系列予測のためのエンドツーエンドアーキテクチャを提案する。このモジュールは、GNNに入力する前に、多変量時系列からフィルタ(逆)相関グラフを生成する。グラフニューラルネットワークで採用されている既存のスカラー化手法とは対照的に,我々のモデルは,複雑なシステムデータに典型的な低信号-雑音比を克服するために,時系列フィルタリングを明示的に活用する。
論文参考訳（メタデータ） (2022-03-08T10:44:30Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文参考訳（メタデータ） (2021-02-23T07:45:58Z)
MathNet: Haar-Like Wavelet Multiresolution-Analysis for Graph Representation and Learning [31.42901131602713]
本稿では,マルチレゾリューション・ハール型ウェーブレット(MathNet)を用いたグラフニューラルネットワークのためのフレームワークを提案する。提案したMathNetは、特にデータセットにおいて、既存のGNNモデルよりも優れている。
論文参考訳（メタデータ） (2020-07-22T05:00:59Z)
Forecasting Multi-Dimensional Processes over Graphs [34.23046028631646]
そこで我々は,グラフベクトル自己回帰モデルに基づく新しい枠組みを考案し,新しい手法を提案する。より明確には、高次元グラフデータをモデル化するために製品グラフを利用する。移動点雲の予測を示す数値的な結果は,我々の発見を裏付けるものである。
論文参考訳（メタデータ） (2020-04-17T14:14:50Z)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。