Fugu-MT 論文翻訳(概要): Link Prediction for Flow-Driven Spatial Networks

論文の概要: Link Prediction for Flow-Driven Spatial Networks

arxiv url: http://arxiv.org/abs/2303.14501v2
Date: Thu, 18 Jan 2024 20:26:45 GMT
ステータス: 処理完了
システム内更新日: 2024-01-22 19:27:17.638140
Title: Link Prediction for Flow-Driven Spatial Networks
Title（参考訳）: 流れ駆動型空間ネットワークのリンク予測
Authors: Bastian Wittmann, Johannes C. Paetzold, Chinmay Prabhakar, Daniel Rueckert, Bjoern Menze
Abstract要約: この研究は、ユークリッド空間に埋め込まれた流れ駆動型空間ネットワークのリンク予測に焦点を当てる。本稿では,GAV(Graph Attentive Vectors)リンク予測フレームワークを提案する。 GAVモデルは、注意深い近辺対応メッセージパッシングパラダイムを用いて、空間ネットワークにおける物理フローのダイナミクスを単純化した。我々は,全脳血管グラフと道路網によって与えられる8つの流れ駆動型空間ネットワーク上でのGAVを評価する。
参考スコア（独自算出の注目度）: 12.492339838065575
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Link prediction algorithms aim to infer the existence of connections (or links) between nodes in network-structured data and are typically applied to refine the connectivity among nodes. In this work, we focus on link prediction for flow-driven spatial networks, which are embedded in a Euclidean space and relate to physical exchange and transportation processes (e.g., blood flow in vessels or traffic flow in road networks). To this end, we propose the Graph Attentive Vectors (GAV) link prediction framework. GAV models simplified dynamics of physical flow in spatial networks via an attentive, neighborhood-aware message-passing paradigm, updating vector embeddings in a constrained manner. We evaluate GAV on eight flow-driven spatial networks given by whole-brain vessel graphs and road networks. GAV demonstrates superior performances across all datasets and metrics and outperformed the state-of-the-art on the ogbl-vessel benchmark at the time of submission by 12% (98.38 vs. 87.98 AUC). All code is publicly available on GitHub.
Abstract（参考訳）: リンク予測アルゴリズムは、ネットワーク構造データ内のノード間の接続(またはリンク)の存在を推測することを目的としており、一般にノード間の接続を洗練するために適用される。本研究では, ユークリッド空間に埋め込まれた流れ駆動型空間ネットワークのリンク予測に焦点をあて, 物理的交換・輸送プロセス(船舶内の血流, 道路ネットワーク内の交通流など)と関連付ける。そこで我々は,グラフ注意ベクトル(GAV)リンク予測フレームワークを提案する。 GAVモデルは、空間ネットワークにおける物理フローのダイナミクスを、注意深い近隣認識メッセージパッシングパラダイムによって単純化し、ベクトル埋め込みを制約された方法で更新する。全脳血管グラフと道路網から与えられた8つのフロー駆動型空間ネットワーク上でgavを評価する。 GAVはすべてのデータセットとメトリクスで優れたパフォーマンスを示し、12%(98.38 vs. 87.98 AUC)でogbl-vesselベンチマークの最先端性能を上回った。すべてのコードはGitHubで公開されている。

関連論文リスト

Heterogeneous Graph Sequence Neural Networks for Dynamic Traffic Assignment [5.205252810216621]
グラフニューラルネットワークを利用するような既存のトラフィック予測アプローチは、通常はセンサロケーションに限られる。異種時空間グラフシーケンスネットワーク(HSTG)を提案する。 HSTGは、たとえ長距離であっても、オリジンノードと宛先ノード間の依存性を利用して、オリジン決定要求の下で暗黙の車両経路選択を学習する。
論文参考訳（メタデータ） (2024-08-07T23:41:09Z)
Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting [0.0]
本稿では,マルチスケール解析(MSA)法とディープラーニング(DL)法を組み合わせたグラフ・コンパス・リカレント・ネットワーク(WavGCRN)を提案する。提案手法は,現実のトラフィックデータセット上での解釈可能性,強力な学習能力,および競合予測性能を提供する。
論文参考訳（メタデータ） (2024-01-11T16:55:48Z)
Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文参考訳（メタデータ） (2023-08-31T05:26:08Z)
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-06-15T14:50:27Z)
Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文参考訳（メタデータ） (2022-09-20T14:41:37Z)
HAGCN : Network Decentralization Attention Based Heterogeneity-Aware Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting [0.0]
交通信号データに固有の異種特性について検討し,センサ間の隠れ関係を様々な方法で学習する。本稿では,隣接ノードの隠れ状態を集約する分散化注目グラフ畳み込みネットワーク(HAGCN)を提案する。
論文参考訳（メタデータ） (2022-09-05T13:45:52Z)
Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving [2.6774008509841005]
本稿では,グラフに基づく時空間畳み込みネットワーク(GSTCN)を提案する。時空間の特徴を符号化し、ゲートリカレントユニット(GRU)ネットワークで復号し、将来の軌道分布を生成する。次世代シミュレーション(NGSIM)におけるI-80とUS-101の2つの実世界の高速道路軌跡データを用いたネットワーク評価
論文参考訳（メタデータ） (2021-09-27T02:20:38Z)
Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文参考訳（メタデータ） (2021-03-13T06:56:29Z)
Feature Engineering for Data-driven Traffic State Forecast in Urban Road Networks [1.370633147306388]
長期的な予測では、より遠いリンクやネットワークの領域のトラフィック状態は、データ駆動アルゴリズムに貴重な情報を提供すると期待されている。本稿では,大規模な車両群が収集したクラスタリングネットワークアルゴリズムとFCD(Floating Car)の1年間の期待について検討する。
論文参考訳（メタデータ） (2020-09-17T15:03:33Z)
VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
論文参考訳（メタデータ） (2020-05-08T19:07:03Z)
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。