論文の概要: Autoregressive GNN-ODE GRU Model for Network Dynamics
- arxiv url: http://arxiv.org/abs/2211.10594v1
- Date: Sat, 19 Nov 2022 05:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 18:08:40.450528
- Title: Autoregressive GNN-ODE GRU Model for Network Dynamics
- Title（参考訳）: ネットワークダイナミクスのための自己回帰GNN-ODE GRUモデル
- Authors: Bo Liang, Lin Wang, Xiaofan Wang
- Abstract要約: 本稿では,AGOG(Autoregressive GNN-ODE GRU Model)を提案する。
我々のモデルは複雑なシステムの連続的動的過程を正確に捉え、最小限の誤差でノード状態の予測を行うことができる。
- 参考スコア（独自算出の注目度）: 7.272158647379444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Revealing the continuous dynamics on the networks is essential for
understanding, predicting, and even controlling complex systems, but it is hard
to learn and model the continuous network dynamics because of complex and
unknown governing equations, high dimensions of complex systems, and
unsatisfactory observations. Moreover, in real cases, observed time-series data
are usually non-uniform and sparse, which also causes serious challenges. In
this paper, we propose an Autoregressive GNN-ODE GRU Model (AGOG) to learn and
capture the continuous network dynamics and realize predictions of node states
at an arbitrary time in a data-driven manner. The GNN module is used to model
complicated and nonlinear network dynamics. The hidden state of node states is
specified by the ODE system, and the augmented ODE system is utilized to map
the GNN into the continuous time domain. The hidden state is updated through
GRUCell by observations. As prior knowledge, the true observations at the same
timestamp are combined with the hidden states for the next prediction. We use
the autoregressive model to make a one-step ahead prediction based on
observation history. The prediction is achieved by solving an initial-value
problem for ODE. To verify the performance of our model, we visualize the
learned dynamics and test them in three tasks: interpolation reconstruction,
extrapolation prediction, and regular sequences prediction. The results
demonstrate that our model can capture the continuous dynamic process of
complex systems accurately and make precise predictions of node states with
minimal error. Our model can consistently outperform other baselines or achieve
comparable performance.
- Abstract（参考訳）: ネットワーク上の連続的なダイナミクスを明らかにすることは複雑なシステムの理解、予測、制御には不可欠であるが、複雑で未知の制御方程式、複雑なシステムの高次元、不十分な観測により、連続的なネットワークダイナミクスを学習しモデル化することは困難である。
さらに、実例では、観測された時系列データは、通常一様でなくスパースであり、深刻な問題を引き起こす。
本稿では,連続ネットワークのダイナミクスを学習し,データ駆動方式でノード状態の予測を実現するための自己回帰型gnn-ode gruモデル(agog)を提案する。
gnnモジュールは複雑で非線形なネットワークダイナミクスのモデル化に使用される。
ノード状態の隠れ状態はodeシステムによって指定され、拡張されたodeシステムはgnnを連続時間領域にマッピングするために利用される。
隠された状態はGRUCellを通して観測によって更新される。
先行知識として、同じタイムスタンプにおける真の観測は、次の予測のために隠れた状態と組み合わせられる。
自己回帰モデルを用いて観測履歴に基づいて1段階の予測を行う。
この予測はODEの初期値問題を解くことで達成される。
モデルの性能を検証するために,学習したダイナミクスを可視化し,補間再構成,補間予測,正規シーケンス予測という3つのタスクでテストした。
その結果,我々のモデルは複雑なシステムの連続的動的過程を正確に捉え,最小限の誤差でノード状態の正確な予測を行うことができた。
私たちのモデルは、他のベースラインを一貫して上回り、同等のパフォーマンスを達成できます。
関連論文リスト
- DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-08-13T15:21:46Z) - 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) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - 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) - Brain-Inspired Spiking Neural Network for Online Unsupervised Time
Series Prediction [13.521272923545409]
連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。
CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。
提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-10T16:18:37Z) - Temporal Graph Neural Networks for Irregular Data [14.653008985229615]
TGNN4Iモデルは、不規則な時間ステップとグラフの部分的な観察の両方を扱うように設計されている。
時間連続力学により、任意の時間ステップでモデルを予測できる。
交通・気候モデルによるシミュレーションデータと実世界のデータの実験は、グラフ構造と時間連続力学の両方の有用性を検証する。
論文 参考訳（メタデータ） (2023-02-16T16:47:55Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Streaming Graph Neural Networks via Continual Learning [31.810308087441445]
グラフニューラルネットワーク(GNN)は様々なアプリケーションで高いパフォーマンスを実現している。
本稿では,連続学習に基づくストリーミングGNNモデルを提案する。
モデルパラメータを効率的に更新し、モデル再トレーニングに匹敵する性能が得られることを示す。
論文 参考訳（メタデータ） (2020-09-23T06:52:30Z) - 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。