論文の概要: Graph Neural Processes for Spatio-Temporal Extrapolation

• arxiv url: http://arxiv.org/abs/2305.18719v1
• Date: Tue, 30 May 2023 03:55:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 18:27:47.813776
• Title: Graph Neural Processes for Spatio-Temporal Extrapolation
• Title（参考訳）: 時空間外挿のためのグラフニューラルプロセス
• Authors: Junfeng Hu, Yuxuan Liang, Zhencheng Fan, Hongyang Chen, Yu Zheng, Roger Zimmermann
• Abstract要約: グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。 既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。 本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
• 参考スコア（独自算出の注目度）: 36.01312116818714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the task of spatio-temporal extrapolation that generates data at target locations from surrounding contexts in a graph. This task is crucial as sensors that collect data are sparsely deployed, resulting in a lack of fine-grained information due to high deployment and maintenance costs. Existing methods either use learning-based models like Neural Networks or statistical approaches like Gaussian Processes for this task. However, the former lacks uncertainty estimates and the latter fails to capture complex spatial and temporal correlations effectively. To address these issues, we propose Spatio-Temporal Graph Neural Processes (STGNP), a neural latent variable model which commands these capabilities simultaneously. Specifically, we first learn deterministic spatio-temporal representations by stacking layers of causal convolutions and cross-set graph neural networks. Then, we learn latent variables for target locations through vertical latent state transitions along layers and obtain extrapolations. Importantly during the transitions, we propose Graph Bayesian Aggregation (GBA), a Bayesian graph aggregator that aggregates contexts considering uncertainties in context data and graph structure. Extensive experiments show that STGNP has desirable properties such as uncertainty estimates and strong learning capabilities, and achieves state-of-the-art results by a clear margin.
• Abstract（参考訳）: 本研究では,グラフ内の周辺状況から対象地点のデータを生成する時空間外挿作業について検討する。 このタスクは、データを収集するセンサーが少なめにデプロイされるため、デプロイやメンテナンスコストが高いため、きめ細かい情報が欠如しているため、非常に重要です。 既存の手法では、ニューラルネットワークのような学習ベースのモデルを使うか、ガウス過程のような統計的アプローチを使う。 しかし、前者は不確実性推定を欠き、後者は複雑な空間的および時間的相関を効果的に捉えることができない。 これらの問題に対処するために、これらの機能を同時に制御するニューラル潜在変数モデルである時空間グラフニューラルプロセス(STGNP)を提案する。 具体的には、因果畳み込み層とクロスセットグラフニューラルネットワークを積み重ねることで、決定論的時空間表現を初めて学習する。 次に,層に沿って垂直な潜在状態遷移を通じ,対象位置の潜在変数を学習し,外挿を得る。 移行において重要なのが,コンテキストデータとグラフ構造における不確実性を考慮したコンテキストを集約するベイズグラフアグリゲータであるグラフベイズアグリゲータ(gba)を提案する。 広範囲にわたる実験により,STGNPは不確実性推定や強力な学習能力などの望ましい特性を有し,最先端の成果を明確なマージンで達成できることが示された。

関連論文リスト

• Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
  本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。 その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
  論文  参考訳（メタデータ） (2024-09-25T00:59:23Z)
• Graph Structure Learning with Interpretable Bayesian Neural Networks [10.957528713294874]
  独立に解釈可能なパラメータを持つ新しい反復を導入する。 これらのパラメータは、エッジ空間のような推定グラフの特性に影響を与える。 これらの反復を解いた後、そのようなグラフの特徴に関する事前知識は、事前分布を形作る。 高速な実行とパラメータ効率により、高忠実度後部近似が可能となる。
  論文  参考訳（メタデータ） (2024-06-20T23:27:41Z)
• Automated Spatio-Temporal Graph Contrastive Learning [18.245433428868775]
  パラメータ化コントラストビュージェネレータを用いた時間自動拡張方式を開発した。 AutoSTは多視点セマンティクスをよく保存した異種グラフに適応することができる。 いくつかの実世界のデータセットで3つのダウンストリーム時間的マイニングタスクの実験は、大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2023-05-06T03:52:33Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Graph Convolutional Networks for Traffic Forecasting with Missing Values [0.5774786149181392]
  時空間における複雑な欠落値を扱うことのできるグラフ畳み込みネットワークモデルを提案する。 学習した局所的特徴に基づく動的グラフ学習モジュールも提案する。 実生活データセットに対する実験結果から,提案手法の信頼性が示された。
  論文  参考訳（メタデータ） (2022-12-13T08:04:38Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。