論文の概要: Spatio-Temporal Graph Neural Networks: A Survey

• arxiv url: http://arxiv.org/abs/2301.10569v1
• Date: Wed, 25 Jan 2023 13:17:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-26 15:21:18.742128
• Title: Spatio-Temporal Graph Neural Networks: A Survey
• Title（参考訳）: 時空間グラフニューラルネットワークに関する調査
• Authors: Zahraa Al Sahili, Mariette Awad
• Abstract要約: 時間的グラフニューラルネットワークは、時間的要因を考慮したグラフニューラルネットワークの拡張である。 本調査では,アルゴリズムやアプリケーション,オープンな課題を含む,時空間グラフニューラルネットワークに関する興味深いトピックについて論じる。
• 参考スコア（独自算出の注目度）: 1.9087335681007478
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph Neural Networks have gained huge interest in the past few years. These powerful algorithms expanded deep learning models to non-Euclidean space and were able to achieve state of art performance in various applications including recommender systems and social networks. However, this performance is based on static graph structures assumption which limits the Graph Neural Networks performance when the data varies with time. Temporal Graph Neural Networks are extension of Graph Neural Networks that takes the time factor into account. Recently, various Temporal Graph Neural Network algorithms were proposed and achieved superior performance compared to other deep learning algorithms in several time dependent applications. This survey discusses interesting topics related to Spatio temporal Graph Neural Networks, including algorithms, application, and open challenges.
• Abstract（参考訳）: グラフニューラルネットワークはここ数年で大きな関心を集めている。 これらの強力なアルゴリズムは、ディープラーニングモデルを非ユークリッド空間に拡張し、レコメンダシステムやソーシャルネットワークを含む様々なアプリケーションでアートパフォーマンスの状態を達成した。 しかし、このパフォーマンスは、データが時間とともに変化する場合のグラフニューラルネットワークのパフォーマンスを制限する静的グラフ構造仮定に基づいている。 時間的グラフニューラルネットワークは、時間的要因を考慮したグラフニューラルネットワークの拡張である。 近年,時間依存型アプリケーションでは,様々な時間グラフニューラルネットワークアルゴリズムが提案され,他のディープラーニングアルゴリズムよりも優れた性能を実現している。 本稿では,アルゴリズム,アプリケーション,オープンチャレンジなど,時空間グラフニューラルネットワークに関連する興味深い話題について考察する。

関連論文リスト

• Graphs Unveiled: Graph Neural Networks and Graph Generation [0.0]
  本稿では,グラフニューラルネットワーク(GNN)の概要を紹介する。 様々な領域にわたるグラフニューラルネットワークの適用について論じる。 我々は,グラフ生成という,GNNの先進的な分野を提示する。
  論文  参考訳（メタデータ） (2024-03-18T14:37:27Z)
• Graph Neural Networks and Time Series as Directed Graphs for Quality Recognition [40.48245609592348]
  時系列を有向グラフとして見ているので、そのトポロジは時間依存をエンコードします。 我々は、2つの異なる幾何学的ディープラーニングモデル、教師付き分類器、信号再構成のためのオートエンコーダのようなモデルを開発する。
  論文  参考訳（メタデータ） (2023-10-04T12:43:38Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
  グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。 グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。 近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Efficient-Dyn: Dynamic Graph Representation Learning via Event-based Temporal Sparse Attention Network [2.0047096160313456]
  動的グラフニューラルネットワークは、研究者からますます注目を集めている。 本稿では,新しい動的グラフニューラルネットワークであるEfficient-Dynを提案する。 時間的情報を同じ量の時間的トポロジ的構造を持つパッチのシーケンスに適応的に符号化する。
  論文  参考訳（メタデータ） (2022-01-04T23:52:24Z)
• Anomaly-resistant Graph Neural Networks via Neural Architecture Search [0.0]
  本稿では,異常ノードを認識し,情報集約から自動的に除去するアルゴリズムを提案する。 各種実世界のデータセットを用いた実験により,提案したニューラルネットワーク検索に基づく異常抵抗グラフニューラルネットワーク(NASAR-GNN)が実際に有効であることが示された。
  論文  参考訳（メタデータ） (2021-11-22T18:30:59Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• 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)
• Learning Graph Representations [0.0]
  グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。 本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
  論文  参考訳（メタデータ） (2021-02-03T12:07:55Z)
• 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)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)
• Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
  様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。 古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。 また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
  論文  参考訳（メタデータ） (2020-02-19T11:04:49Z)

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。