論文の概要: Hyper-GST: Predict Metro Passenger Flow Incorporating GraphSAGE,
Hypergraph, Social-meaningful Edge Weights and Temporal Exploitation
- arxiv url: http://arxiv.org/abs/2211.04988v1
- Date: Wed, 9 Nov 2022 16:04:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 17:58:16.575181
- Title: Hyper-GST: Predict Metro Passenger Flow Incorporating GraphSAGE,
Hypergraph, Social-meaningful Edge Weights and Temporal Exploitation
- Title（参考訳）: ハイパーGST:グラフサージ、ハイパーグラフ、社会的意味のあるエッジウェイト、時間的爆発を組み込んだメトロ旅客流予測
- Authors: Yuyang Miao, Yao Xu, Danilo Mandic
- Abstract要約: グラフベースのディープラーニングアルゴリズムは、グラフ構造を利用するが、いくつかの課題を提起する。
本研究では,エッジウェイト学習者を適用したGraphSAGEに基づくモデルを提案する。
ハイパーグラフや時間的利用モジュールも、パフォーマンス向上のためのアドオンとして構築されている。
- 参考スコア（独自算出の注目度）: 4.698632626407558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting metro passenger flow precisely is of great importance for dynamic
traffic planning. Deep learning algorithms have been widely applied due to
their robust performance in modelling non-linear systems. However, traditional
deep learning algorithms completely discard the inherent graph structure within
the metro system. Graph-based deep learning algorithms could utilise the graph
structure but raise a few challenges, such as how to determine the weights of
the edges and the shallow receptive field caused by the over-smoothing issue.
To further improve these challenges, this study proposes a model based on
GraphSAGE with an edge weights learner applied. The edge weights learner
utilises socially meaningful features to generate edge weights. Hypergraph and
temporal exploitation modules are also constructed as add-ons for better
performance. A comparison study is conducted on the proposed algorithm and
other state-of-art graph neural networks, where the proposed algorithm could
improve the performance.
- Abstract（参考訳）: 都市交通計画において,都市交通流の予測は極めて重要である。
ディープラーニングアルゴリズムは非線形システムのモデリングにおける堅牢な性能のために広く応用されている。
しかし、従来のディープラーニングアルゴリズムは、metroシステム内の固有のグラフ構造を完全に破棄する。
グラフベースのディープラーニングアルゴリズムは、グラフ構造を活用するが、エッジの重み付けや、過剰なスムーシング問題に起因する浅い受容フィールドを決定する方法など、いくつかの課題を提起する。
これらの課題をさらに改善するために,エッジウェイト学習者を適用したGraphSAGEに基づくモデルを提案する。
エッジウェイト学習者は、エッジウェイトを生成するために社会的に意味のある特徴を利用する。
hypergraphとtemporal exploitationモジュールも、パフォーマンス向上のためのアドオンとして構築されている。
提案アルゴリズムと,提案アルゴリズムが性能を向上できる最先端グラフニューラルネットワークとの比較研究を行った。
関連論文リスト
- Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。
データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。
AGL-SC(Amplify Graph Learning framework)を提案する。
論文 参考訳（メタデータ） (2024-06-27T08:26:20Z) - 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) - STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction [9.467593700532401]
本稿では,グラフ学習戦略と一般的なグラフ畳み込みアルゴリズムの体系的なレビューを行う。
次に、最近提案された空間時間グラフネットワークモデルの長所と短所を包括的に分析する。
ディープラーニングフレームワークPyTorchを用いたSTG4Trafficという研究を構築し,2種類のトラフィックデータセットに対して,標準化されたスケーラブルなベンチマークを確立する。
論文 参考訳（メタデータ） (2023-07-02T06:56:52Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z) - 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) - Training Robust Graph Neural Networks with Topology Adaptive Edge
Dropping [116.26579152942162]
グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。
彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。
本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
論文 参考訳（メタデータ） (2021-06-05T13:20:36Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳（メタデータ） (2021-06-05T07:07:52Z) - Iterative Deep Graph Learning for Graph Neural Networks: Better and
Robust Node Embeddings [53.58077686470096]
グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。
実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
論文 参考訳（メタデータ） (2020-06-21T19:49:15Z) - SIGN: Scalable Inception Graph Neural Networks [4.5158585619109495]
本稿では,グラフサンプリングの必要性を助長する,効率的でスケーラブルなグラフ深層学習アーキテクチャを提案する。
私たちのアーキテクチャでは、異なるローカルグラフ演算子を使用して、そのタスクに最も適しています。
我々は,1億1000万のノードと15億のエッジを持つ,最大の公開グラフデータセットであるogbn-papers100Mについて,最先端の結果を得た。
論文 参考訳（メタデータ） (2020-04-23T14:46:10Z) - 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。