Fugu-MT 論文翻訳(概要): Inferring dynamic regulatory interaction graphs from time series data with perturbations

論文の概要: Inferring dynamic regulatory interaction graphs from time series data with perturbations

arxiv url: http://arxiv.org/abs/2306.07803v1
Date: Tue, 13 Jun 2023 14:25:26 GMT
ステータス: 処理完了
システム内更新日: 2023-06-14 13:23:10.822207
Title: Inferring dynamic regulatory interaction graphs from time series data with perturbations
Title（参考訳）: 摂動を伴う時系列データからの動的規制相互作用グラフの推定
Authors: Dhananjay Bhaskar, Sumner Magruder, Edward De Brouwer, Aarthi Venkat, Frederik Wenkel, Guy Wolf, Smita Krishnaswamy
Abstract要約: 本稿では,複雑なシステムにおける時間変化の相互作用グラフを推定するためのRegulatory Temporal Interaction Network Inference (RiTINI)を提案する。 RiTINIは空間・時間グラフアテンションとグラフニューラル常微分方程式(ODE)を組み合わせた新しい組み合わせを用いる我々は,様々なシミュレーションおよび実世界のデータセット上でのRiTINIの性能を評価する。
参考スコア（独自算出の注目度）: 14.935318448625718
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Complex systems are characterized by intricate interactions between entities that evolve dynamically over time. Accurate inference of these dynamic relationships is crucial for understanding and predicting system behavior. In this paper, we propose Regulatory Temporal Interaction Network Inference (RiTINI) for inferring time-varying interaction graphs in complex systems using a novel combination of space-and-time graph attentions and graph neural ordinary differential equations (ODEs). RiTINI leverages time-lapse signals on a graph prior, as well as perturbations of signals at various nodes in order to effectively capture the dynamics of the underlying system. This approach is distinct from traditional causal inference networks, which are limited to inferring acyclic and static graphs. In contrast, RiTINI can infer cyclic, directed, and time-varying graphs, providing a more comprehensive and accurate representation of complex systems. The graph attention mechanism in RiTINI allows the model to adaptively focus on the most relevant interactions in time and space, while the graph neural ODEs enable continuous-time modeling of the system's dynamics. We evaluate RiTINI's performance on various simulated and real-world datasets, demonstrating its state-of-the-art capability in inferring interaction graphs compared to previous methods.
Abstract（参考訳）: 複雑なシステムは、時間とともに動的に進化する実体間の複雑な相互作用によって特徴づけられる。これらの動的関係の正確な推論は、システムの振る舞いの理解と予測に不可欠である。本稿では,空間・時間グラフアテンションとグラフニューラル常微分方程式(ODE)の新たな組み合わせを用いて,複雑なシステムにおける時間変化相互作用グラフを推定するためのRegulatory Temporal Interaction Network Inference(RiTINI)を提案する。 ritiniは、グラフ上のタイムラプス信号と、下位システムのダイナミクスを効果的に捉えるために、さまざまなノードにおける信号の摂動を利用する。このアプローチは、非巡回グラフや静的グラフの推論に限られる従来の因果推論ネットワークとは異なる。対照的に、RiTINIは巡回グラフ、有向グラフ、時間変化グラフを推論することができ、複雑なシステムのより包括的で正確な表現を提供する。 RiTINIのグラフアテンション機構により、モデルは時間と空間における最も関連する相互作用に適応的にフォーカスでき、グラフニューラルODEはシステムのダイナミクスを連続的にモデリングすることができる。 ritiniの様々なシミュレーションおよび実世界のデータセットにおける性能を評価し、これまでの方法と比較して、インタラクショングラフの推定における最先端の能力を示す。

関連論文リスト

Graph Neural Flows for Unveiling Systemic Interactions Among Irregularly Sampled Time Series [5.460420960898444]
我々は不規則な時間点で観測された時系列の系統的相互作用を明らかにするグラフベースモデルを開発した。時系列分類や予測など,いくつかの課題に対するアプローチの有効性を検証し,その有効性を実証する。
論文参考訳（メタデータ） (2024-10-17T21:10:39Z)
State Space Models on Temporal Graphs: A First-Principles Study [30.531930200222423]
深層グラフ学習の研究は、動的挙動を示す実世界の複雑なシステムに応答して、静的グラフから時間グラフへ移行した。 RNNやTransformerのようなシーケンスモデルは、このような時間グラフをモデル化するための主要なバックボーンネットワークである。時間グラフのダイナミクスをモデル化するためのグラフ状態空間モデルであるGraphSSMを開発した。
論文参考訳（メタデータ） (2024-06-03T02:56:11Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
Signed Graph Neural Ordinary Differential Equation for Modeling Continuous-time Dynamics [13.912268915939656]
グラフニューラルネットワークを通常の微分方程式と統合する一般的なアプローチは、有望な性能を示している。符号付きグラフニューラル常微分方程式は,符号付き情報の誤キャプチャの限界に十分対処する。提案したソリューションは、柔軟性と効率性の両方を誇っている。
論文参考訳（メタデータ） (2023-12-18T13:45:33Z)
Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-04-15T08:17:18Z)
Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations [21.936437653875245]
本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
論文参考訳（メタデータ） (2023-02-22T12:59:38Z)
Continuous Temporal Graph Networks for Event-Based Graph Data [41.786721257905555]
本研究では、時間グラフデータの連続的ダイナミクスを捉えるために、CTGN(Continuous Temporal Graph Networks)を提案する。鍵となる考え方は、ニューラルネットワークの常微分方程式(ODE)を用いて、動的グラフ上のノード表現の連続的ダイナミクスを特徴づけることである。帰納的タスクと帰納的タスクの両方の実験結果から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2022-05-31T16:17:02Z)
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文参考訳（メタデータ） (2022-02-17T02:17:31Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Continuous-in-Depth Neural Networks [107.47887213490134]
まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。 ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
論文参考訳（メタデータ） (2020-08-05T22:54:09Z)
Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。