論文の概要: Graph Sparsification for GCN Towards Optimal Crop Yield Predictions

• arxiv url: http://arxiv.org/abs/2306.01725v1
• Date: Fri, 2 Jun 2023 17:51:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 13:55:04.424259
• Title: Graph Sparsification for GCN Towards Optimal Crop Yield Predictions
• Title（参考訳）: 最適収量予測に向けたgcnのグラフスパース化
• Authors: Saghar Bagheri, Gene Cheung, Tim Eadie
• Abstract要約: 完全グラフカーネルからエッジを取り除くために,Fiedler数に基づくグラフスカラー化手法を提案する。 本手法は, 収穫量予測における他のグラフスペーシフィケーション方式と比較して, GCN性能のよいスパースグラフを生成する。
• 参考スコア（独自算出の注目度）: 27.415307133655407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In agronomics, predicting crop yield at a per field/county granularity is important for farmers to minimize uncertainty and plan seeding for the next crop cycle. While state-of-the-art prediction techniques employ graph convolutional nets (GCN) to predict future crop yields given relevant features and crop yields of previous years, a dense underlying graph kernel requires long training and execution time. In this paper, we propose a graph sparsification method based on the Fiedler number to remove edges from a complete graph kernel, in order to lower the complexity of GCN training/execution. Specifically, we first show that greedily removing an edge at a time that induces the minimal change in the second eigenvalue leads to a sparse graph with good GCN performance. We then propose a fast method to choose an edge for removal per iteration based on an eigenvalue perturbation theorem. Experiments show that our Fiedler-based method produces a sparse graph with good GCN performance compared to other graph sparsification schemes in crop yield prediction.
• Abstract（参考訳）: アグロノミクスでは、農夫が不確実性を最小化し、次の収穫サイクルに向けて種を計画することが重要である。 最先端の予測技術では、前年の関連する特徴と収量から将来の収量を予測するためにグラフ畳み込みネット(GCN)を採用しているが、基盤となるグラフカーネルは長いトレーニングと実行時間を必要とする。 本稿では、GCNのトレーニング/実行の複雑さを低減するために、完全なグラフカーネルからエッジを取り除くためのFiedler数に基づくグラフスペーシング手法を提案する。 具体的には,第2の固有値の最小値変化を誘発する辺をゆるやかに取り除くと,gcn性能が良好なスパースグラフになることを示す。 次に,固有値摂動定理に基づく反復毎にエッジを選択する高速手法を提案する。 実験により, 収穫量予測における他のグラフスペーシフィケーション手法と比較して, 優れたGCN性能を有するスパースグラフが得られた。

関連論文リスト

• Graph Sparsification for Enhanced Conformal Prediction in Graph Neural Networks [5.896352342095999]
  Conformal Predictionは、マシンラーニングタスク間の信頼性の高いカバレッジを保証する、堅牢なフレームワークである。 SparGCPはグラフスペーシフィケーションと共形予測固有の目的をGNNトレーニングに組み込んでいる。 実世界のグラフデータセットの実験では、SparGCPが既存のメソッドより優れていることが示されている。
  論文  参考訳（メタデータ） (2024-10-28T23:53:51Z)
• Spatiotemporal Forecasting Meets Efficiency: Causal Graph Process Neural Networks [5.703629317205571]
  Causal Graph Graph Processs (CGP) は、リレーショナルフィールド層の代わりにグラフフィルタを使用してパラメータを削減し、メモリ消費を最小限にする代替手段を提供する。 本稿では,CGPとGNNを組み合わせて時間予測を行う非線形モデルを提案する。CGProNetは高階グラフフィルタを採用し,パラメータの少ないモデルに最適化し,メモリ使用量を削減し,実行効率を向上させる。
  論文  参考訳（メタデータ） (2024-05-29T08:37:48Z)
• ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
  グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。 本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
  論文  参考訳（メタデータ） (2024-03-14T08:31:39Z)
• Two Heads Are Better Than One: Boosting Graph Sparse Training via Semantic and Topological Awareness [80.87683145376305]
  グラフニューラルネットワーク(GNN)は、様々なグラフ学習タスクに優れるが、大規模グラフに適用した場合、計算上の課題に直面している。 データレベルで空間を動的に操作するグラフスパーストレーニング(GST)を提案する。 GSTは、最大位相整合性と性能劣化のないスパースグラフを生成する。
  論文  参考訳（メタデータ） (2024-02-02T09:10:35Z)
• Learning Large Graph Property Prediction via Graph Segment Training [61.344814074335304]
  本稿では,メモリフットプリントを一定にして大きなグラフ特性予測を学習できる汎用フレームワークを提案する。 バックプロパゲーションのためにサンプリングされていないセグメントに対する埋め込みを効率的に得るために,歴史的埋め込みテーブルを導入することにより,GSTパラダイムを洗練する。 実験の結果,GST-EFDはメモリ効率が良く,高速でありながら,通常の全グラフ学習システムよりもテスト精度が若干向上していることがわかった。
  論文  参考訳（メタデータ） (2023-05-21T02:53:25Z)
• DiP-GNN: Discriminative Pre-Training of Graph Neural Networks [49.19824331568713]
  GNNのパワーを高めるために,グラフニューラルネットワーク(GNN)事前学習法が提案されている。 一般的な事前トレーニング手法の1つは、エッジのパーセンテージをマスクアウトすることであり、GNNはそれらを回復するように訓練されている。 筆者らのフレームワークでは, 識別器が見るグラフは, マスキングエッジの比率を回復できるため, 元のグラフとよく一致している。
  論文  参考訳（メタデータ） (2022-09-15T17:41:50Z)
• Unsupervised Graph Spectral Feature Denoising for Crop Yield Prediction [27.604637365723676]
  郡粒度の年間収穫量の予測は、国産食品生産と価格安定にとって重要である。 深層学習予測モデルに入力されるグラフスペクトルフィルタリングによって関連する特徴を識別する。 特定特徴を入力として使用することにより、収量予測モデルの性能を顕著に向上させることができる。
  論文  参考訳（メタデータ） (2022-08-04T15:18:06Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Scaling Up Graph Neural Networks Via Graph Coarsening [18.176326897605225]
  グラフニューラルネットワーク(GNN)のスケーラビリティは、マシンラーニングにおける大きな課題のひとつだ。 本稿では,GNNのスケーラブルなトレーニングにグラフ粗大化を用いることを提案する。 既成の粗大化法を単純に適用すれば,分類精度を著しく低下させることなく,ノード数を最大10倍に削減できることを示す。
  論文  参考訳（メタデータ） (2021-06-09T15:46:17Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)

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。