論文の概要: Graph Neural Network for spatiotemporal data: methods and applications
- arxiv url: http://arxiv.org/abs/2306.00012v1
- Date: Tue, 30 May 2023 02:27:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 20:46:26.027287
- Title: Graph Neural Network for spatiotemporal data: methods and applications
- Title(参考訳): 時空間データのためのグラフニューラルネットワーク:手法と応用
- Authors: Yun Li, Dazhou Yu, Zhenke Liu, Minxing Zhang, Xiaoyun Gong, Liang Zhao
- Abstract要約: グラフニューラルネットワーク(GNN)は、互いに依存したデータを理解する強力なツールとして登場した。
本稿では、時間領域におけるGNNの技術と応用について概観する。
- 参考スコア(独自算出の注目度): 7.612070518526342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the era of big data, there has been a surge in the availability of data
containing rich spatial and temporal information, offering valuable insights
into dynamic systems and processes for applications such as weather
forecasting, natural disaster management, intelligent transport systems, and
precision agriculture. Graph neural networks (GNNs) have emerged as a powerful
tool for modeling and understanding data with dependencies to each other such
as spatial and temporal dependencies. There is a large amount of existing work
that focuses on addressing the complex spatial and temporal dependencies in
spatiotemporal data using GNNs. However, the strong interdisciplinary nature of
spatiotemporal data has created numerous GNNs variants specifically designed
for distinct application domains. Although the techniques are generally
applicable across various domains, cross-referencing these methods remains
essential yet challenging due to the absence of a comprehensive literature
review on GNNs for spatiotemporal data. This article aims to provide a
systematic and comprehensive overview of the technologies and applications of
GNNs in the spatiotemporal domain. First, the ways of constructing graphs from
spatiotemporal data are summarized to help domain experts understand how to
generate graphs from various types of spatiotemporal data. Then, a systematic
categorization and summary of existing spatiotemporal GNNs are presented to
enable domain experts to identify suitable techniques and to support model
developers in advancing their research. Moreover, a comprehensive overview of
significant applications in the spatiotemporal domain is offered to introduce a
broader range of applications to model developers and domain experts, assisting
them in exploring potential research topics and enhancing the impact of their
work. Finally, open challenges and future directions are discussed.
- Abstract(参考訳): ビッグデータの時代には、リッチな空間的情報と時間的情報を含むデータの可用性が急増し、気象予報、自然災害管理、インテリジェントな輸送システム、精密農業といった応用のための動的システムとプロセスに関する貴重な洞察を提供している。
グラフニューラルネットワーク(GNN)は、空間的および時間的依存関係などの相互依存によるデータのモデリングと理解のための強力なツールとして登場した。
GNNを用いた時空間データの複雑な空間的および時間的依存関係に対処することに焦点を当てた既存の研究が多数存在する。
しかし、時空間データの強い学際的性質は、異なるアプリケーションドメイン用に特別に設計された多くのGNNの変種を生み出している。
これらの手法は、一般に様々な領域に適用されるが、時空間データに対するGNNに関する包括的な文献レビューがないため、相互参照は依然として不可欠である。
本稿では、時空間領域におけるGNNの技術と応用の体系的かつ包括的な概要を提供する。
まず、時空間データからグラフを構築する方法をまとめ、ドメインの専門家が様々な時空間データからグラフを生成する方法を理解するのに役立つ。
そして,既存の時空間GNNの体系的分類と要約を提示し,ドメインエキスパートが適切なテクニックを識別し,モデル開発者が研究を進めるのを支援する。
さらに、時空間領域における重要なアプリケーションの包括的概要は、開発者やドメインの専門家をモデル化するための幅広いアプリケーションを導入し、潜在的な研究トピックを探究し、彼らの仕事の影響を高めるのに役立ちます。
最後に、オープンチャレンジと今後の方向性について論じる。
関連論文リスト
- A Systematic Literature Review of Spatio-Temporal Graph Neural Network Models for Time Series Forecasting and Classification [7.58512888676767]
本稿では、時系列分類と予測のためのアプローチとアプリケーション領域について概観する。
データベース検索を行い,150以上の学術論文が現場における現状の詳細な調査のために選択された。
論文 参考訳(メタデータ) (2024-10-29T08:05:10Z) - Graph Masked Autoencoder for Spatio-Temporal Graph Learning [38.085962443141206]
都市センシングの分野では,交通分析,人体移動評価,犯罪予測において,効果的な時間的予測の枠組みが重要な役割を担っている。
空間的および時間的データにデータノイズと空間性が存在することは、ロバスト表現を学習する上で、既存のニューラルネットワークモデルにとって大きな課題となる。
実効時間データ拡張のための新しい自己教師型学習パラダイムを提案する。
論文 参考訳(メタデータ) (2024-10-14T07:33:33Z) - A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。
本稿では,生成技術に基づく時空間法を包括的に分析する。
また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
論文 参考訳(メタデータ) (2024-05-15T12:07:43Z) - A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。
我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。
本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文 参考訳(メタデータ) (2024-04-29T17:19:40Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳(メタデータ) (2023-10-16T09:06:00Z) - A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。
グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。
この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文 参考訳(メタデータ) (2023-07-07T08:05:03Z) - Graph Neural Networks for temporal graphs: State of the art, open
challenges, and opportunities [15.51428011794213]
グラフニューラルネットワーク(GNN)は、(静的)グラフ構造化データを学ぶための主要なパラダイムとなっている。
近年, 時間グラフのためのGNNベースのモデルが, GNNの能力を拡張すべく, 有望な研究領域として浮上している。
本稿では、時間的GNNの現状を概観し、学習設定とタスクの厳密な形式化を導入する。
調査は、研究と応用の両方の観点から、この分野における最も関連性の高いオープン課題に関する議論で締めくくります。
論文 参考訳(メタデータ) (2023-02-02T11:12:51Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳(メタデータ) (2022-11-04T09:58:57Z) - An Adaptive Federated Relevance Framework for Spatial Temporal Graph
Learning [14.353798949041698]
本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。
フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。
局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
論文 参考訳(メタデータ) (2022-06-07T16:12:17Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z)
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。