論文の概要: Spatial Graph Convolution Neural Networks for Water Distribution Systems

• arxiv url: http://arxiv.org/abs/2211.09587v1
• Date: Thu, 17 Nov 2022 15:32:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 16:56:02.934257
• Title: Spatial Graph Convolution Neural Networks for Water Distribution Systems
• Title（参考訳）: 配水システムのための空間グラフ畳み込みニューラルネットワーク
• Authors: Inaam Ashraf and Luca Hermes and Andr\'e Artelt and Barbara Hammer
• Abstract要約: スパース信号に基づく配水システム(WDS)によって与えられるグラフにおける値推定の欠落の課題について検討する。 基礎となるグラフは比較的低いノード度と高い直径を持ち、グラフ内の情報はグローバルに関連している。 WDS領域における多くのベンチマークタスクに対して優れた結果を示すメッセージパッシングに基づく特定の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）: 6.125017875330933
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We investigate the task of missing value estimation in graphs as given by water distribution systems (WDS) based on sparse signals as a representative machine learning challenge in the domain of critical infrastructure. The underlying graphs have a comparably low node degree and high diameter, while information in the graph is globally relevant, hence graph neural networks face the challenge of long-term dependencies. We propose a specific architecture based on message passing which displays excellent results for a number of benchmark tasks in the WDS domain. Further, we investigate a multi-hop variation, which requires considerably less resources and opens an avenue towards big WDS graphs.
• Abstract（参考訳）: クリティカルインフラストラクチャの領域における機械学習の代表的な課題として,スパース信号に基づく水分散システム(WDS)によるグラフにおける値推定の欠落について検討する。 下位のグラフはノードの次数と直径が比較的低いが、グラフ内の情報はグローバルに関連しているため、グラフニューラルネットワークは長期的な依存関係の課題に直面している。 WDS領域における多くのベンチマークタスクに対して優れた結果を示すメッセージパッシングに基づく特定のアーキテクチャを提案する。 さらに,より少ないリソースを必要とするマルチホップ変動について検討し,大きなwdsグラフへの道を開く。

関連論文リスト

• DELTA: Dual Consistency Delving with Topological Uncertainty for Active Graph Domain Adaptation [14.61592658071535]
  そこで本研究では,対象グラフ上の情報ノードを定量化して追加アノテーションを付加する,アクティブグラフ領域適応の問題について検討する。 この問題は、複雑なトポロジカルな関係とグラフ間の分布差のため、非常に難しい。 グラフ領域適応のためのDELTA(Dual Consistency Delving with Topological Uncertainty)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-13T16:06:18Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• ResolvNet: A Graph Convolutional Network with multi-scale Consistency [47.98039061491647]
  マルチスケール一貫性の概念を導入する。 グラフレベルでは、マルチスケールの一貫性は、異なる解像度で同じオブジェクトを記述する異なるグラフが同様の特徴ベクトルを割り当てるべきという事実を指す。 本稿では,リゾルダーの数学的概念に基づくフレキシブルグラフニューラルネットワークResolvNetを紹介する。
  論文  参考訳（メタデータ） (2023-09-30T16:46:45Z)
• Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
  水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。 センサデータの誤パターンを特定するには異常検出が不可欠である。 本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
  論文  参考訳（メタデータ） (2023-04-19T01:32:32Z)
• Affinity-Aware Graph Networks [9.888383815189176]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを学ぶための強力なテクニックとして登場した。 グラフニューラルネットワークの特徴としてアフィニティ尺度の利用について検討する。 本稿では,これらの特徴に基づくメッセージパッシングネットワークを提案し,その性能を様々なノードおよびグラフ特性予測タスクで評価する。
  論文  参考訳（メタデータ） (2022-06-23T18:51:35Z)
• 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)
• 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)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

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。