論文の概要: Causal Temporal Graph Convolutional Neural Networks (CTGCN)

• arxiv url: http://arxiv.org/abs/2303.09634v1
• Date: Thu, 16 Mar 2023 20:28:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 16:27:22.407618
• Title: Causal Temporal Graph Convolutional Neural Networks (CTGCN)
• Title（参考訳）: 因果時間グラフ畳み込みニューラルネットワーク(ctgcn)
• Authors: Abigail Langbridge, Fearghal O'Donncha, Amadou Ba, Fabio Lorenzi, Christopher Lohse, Joern Ploennigs
• Abstract要約: 因果グラフ畳み込みニューラルネットワーク(CTGCN)を提案する。 我々のアーキテクチャは因果発見機構に基づいており、根底にある因果プロセスを発見することができる。 本稿では,TGCNアーキテクチャへの因果関係の統合により,典型的なTGCNアプローチよりも最大40%の予測性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 0.44040106718326594
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many large-scale applications can be elegantly represented using graph structures. Their scalability, however, is often limited by the domain knowledge required to apply them. To address this problem, we propose a novel Causal Temporal Graph Convolutional Neural Network (CTGCN). Our CTGCN architecture is based on a causal discovery mechanism, and is capable of discovering the underlying causal processes. The major advantages of our approach stem from its ability to overcome computational scalability problems with a divide and conquer technique, and from the greater explainability of predictions made using a causal model. We evaluate the scalability of our CTGCN on two datasets to demonstrate that our method is applicable to large scale problems, and show that the integration of causality into the TGCN architecture improves prediction performance up to 40% over typical TGCN approach. Our results are obtained without requiring additional domain knowledge, making our approach adaptable to various domains, specifically when little contextual knowledge is available.
• Abstract（参考訳）: 多くの大規模アプリケーションはグラフ構造を用いてエレガントに表現できる。 しかしながら、スケーラビリティは適用に必要なドメイン知識によって制限されることが多い。 この問題に対処するため,新たにCTGCN (Causal Temporal Graph Convolutional Neural Network) を提案する。 我々のCTGCNアーキテクチャは因果発見機構に基づいており、基礎となる因果過程を発見することができる。 このアプローチの主な利点は、分割と克服のテクニックで計算スケーラビリティの問題を克服する能力と、因果モデルを用いた予測のさらなる説明可能性から来ています。 我々は,2つのデータセット上でCTGCNのスケーラビリティを評価し,本手法が大規模問題に適用可能であることを示すとともに,TGCNアーキテクチャへの因果関係の統合により,典型的なTGCNアプローチよりも最大40%の予測性能が向上することを示す。 結果は、追加のドメイン知識を必要とせずに得られ、我々のアプローチを様々なドメインに適応可能にします。

関連論文リスト

• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• CUTS+: High-dimensional Causal Discovery from Irregular Time-series [13.84185941100574]
  本稿では,Granger-Causality-based causal discovery method CUTSを用いたCUTS+を提案する。 CUTS+は多種多様な不規則サンプリングによる高次元データにおける因果発見性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-05-10T04:20:36Z)
• Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration [72.15369769265398]
  実験により、ECORDは最大カット問題に対するRLアルゴリズムのための新しいSOTAを実現する。 最も近い競合と比較して、ECORDは最適性ギャップを最大73%削減する。
  論文  参考訳（メタデータ） (2022-05-27T17:13:10Z)
• Generative Adversarial Method Based on Neural Tangent Kernels [13.664682865991255]
  GA-NTK(Generative Adversarial NTK)と呼ばれる新しい生成アルゴリズムを提案する。 GA-NTK は GAN に匹敵する画像を生成することができるが、様々な条件下での訓練がずっと容易である。 その結果,GA-NTK は GAN に匹敵する画像を生成することができるが,様々な条件下での訓練がより容易であることがわかった。
  論文  参考訳（メタデータ） (2022-04-08T14:17:46Z)
• On Recoverability of Graph Neural Network Representations [9.02766568914452]
  本稿では,GNNにおける情報集約と密接な関係を持つリカバリ可能性の概念を提案する。 様々なデータセットおよび異なるGNNアーキテクチャに関する実験結果を通じて、推定された回復可能性とアグリゲーション法表現性とグラフスカラー化品質の関係を実証する。 提案手法は、上記の問題の根源を理解する上で不可欠なツールとなり、それらを克服するGNN設計に繋がる可能性があると信じている。
  論文  参考訳（メタデータ） (2022-01-30T15:22:29Z)
• Multi-scale Graph Convolutional Networks with Self-Attention [2.66512000865131]
  グラフ畳み込みネットワーク(GCN)は,様々なグラフ構造データを扱うための優れた学習能力を実現している。 GCNsの重要な問題として, 過平滑化現象が解決され, 検討が続けられている。 本稿では,GCNの設計に自己認識機構とマルチスケール情報を取り入れた2つの新しいマルチスケールGCNフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-04T04:41:24Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• Simple and Deep Graph Convolutional Networks [63.76221532439285]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データに対する強力なディープラーニングアプローチである。 その成功にもかかわらず、現在のGCNモデルは、エムの過度に滑らかな問題のため、ほとんどが浅くなっている。 本稿では,2つの単純かつ効果的な手法を用いて,バニラGCNモデルを拡張したGCNIIを提案する。
  論文  参考訳（メタデータ） (2020-07-04T16:18:06Z)
• Towards an Efficient and General Framework of Robust Training for Graph Neural Networks [96.93500886136532]
  グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。 GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。 我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T15:17:58Z)

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。