論文の概要: Dynamical Graph Echo State Networks with Snapshot Merging for Dissemination Process Classification

• arxiv url: http://arxiv.org/abs/2307.01237v1
• Date: Mon, 3 Jul 2023 12:17:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 19:24:56.632185
• Title: Dynamical Graph Echo State Networks with Snapshot Merging for Dissemination Process Classification
• Title（参考訳）: 散布過程分類のためのスナップショットマージによる動的グラフエコー状態ネットワーク
• Authors: Ziqiang Li, Kantaro Fujiwara, Gouhei Tanaka
• Abstract要約: 分散プロセス分類(DPC)の目的は、時間グラフで表されるコミュニティ内の情報の拡散パターンや浸透パターンを分類することである。 近年,動的グラフエコー状態ネットワーク(DynGESN)と呼ばれる貯水池型計算モデルが提案されている。 そこで本研究では,DynGESNとスナップショット統合という新たなデータ拡張戦略を組み合わせた新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 5.174900115018252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Dissemination Process Classification (DPC) is a popular application of temporal graph classification. The aim of DPC is to classify different spreading patterns of information or pestilence within a community represented by discrete-time temporal graphs. Recently, a reservoir computing-based model named Dynamical Graph Echo State Network (DynGESN) has been proposed for processing temporal graphs with relatively high effectiveness and low computational costs. In this study, we propose a novel model which combines a novel data augmentation strategy called snapshot merging with the DynGESN for dealing with DPC tasks. In our model, the snapshot merging strategy is designed for forming new snapshots by merging neighboring snapshots over time, and then multiple reservoir encoders are set for capturing spatiotemporal features from merged snapshots. After those, the logistic regression is adopted for decoding the sum-pooled embeddings into the classification results. Experimental results on six benchmark DPC datasets show that our proposed model has better classification performances than the DynGESN and several kernel-based models.
• Abstract（参考訳）: 分散プロセス分類(DPC)は、時間グラフ分類の一般的な応用である。 DPCの目的は、離散時間時間時間グラフで表されるコミュニティ内の異なる情報の拡散パターンや浸透パターンを分類することである。 近年,動的グラフエコー状態ネットワーク(dyngesn)と呼ばれる貯留層計算に基づくモデルが提案されている。 本研究では、dpcタスクを扱うために、スナップショットマージと呼ばれる新しいデータ拡張戦略とdyngesnを組み合わせた新しいモデルを提案する。 本モデルでは,近傍のスナップショットを時間的にマージして新たなスナップショットを生成するためにスナップショットマージ戦略を設計し,その上で,統合スナップショットから時空間的特徴をキャプチャするための複数のリザーバエンコーダを設定する。 その後、ロジスティック回帰は、合計プール埋め込みを分類結果にデコードするために採用される。 6つのベンチマークDPCデータセットによる実験結果から,提案モデルの方がDynGESNやカーネルベースモデルよりも優れた分類性能を示した。

関連論文リスト

• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• UTG: Towards a Unified View of Snapshot and Event Based Models for Temporal Graphs [14.607800477099971]
  スナップショットベースおよびイベントベース機械学習モデルを統一するフレームワークであるUTG(Unified Temporal Graph)を導入する。 時系列リンク予測タスクにおいて、スナップショットとイベントベースモデルの両方を時間グラフの両タイプで評価する。
  論文  参考訳（メタデータ） (2024-07-17T02:35:24Z)
• Time Cell Inspired Temporal Codebook in Spiking Neural Networks for Enhanced Image Generation [5.764710042535229]
  本稿では、スパイキングニューラルネットワーク(SNN)を利用した変分量子オートエンコーダ(VQ-VAE)の構築手法を提案する。 この設計は、時間的依存を捕捉し、利用し、SNNの生成能力を著しく向上させる。 提案手法は,高分解能かつ時間的整合性のあるデータ生成に優れ,SNNに基づく生成モデルにおける時間的情報の重要性を浮き彫りにする。
  論文  参考訳（メタデータ） (2024-05-23T12:04:46Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time Series Classification [6.76723360505692]
  未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。 26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2023-04-11T09:21:28Z)
• Sparsification and Filtering for Spatial-temporal GNN in Multivariate Time-series [0.0]
  本稿では,時空間グラフニューラルネットワークと行列フィルタリングモジュールを統合した多変量時系列予測のためのエンドツーエンドアーキテクチャを提案する。 このモジュールは、GNNに入力する前に、多変量時系列からフィルタ(逆)相関グラフを生成する。 グラフニューラルネットワークで採用されている既存のスカラー化手法とは対照的に,我々のモデルは,複雑なシステムデータに典型的な低信号-雑音比を克服するために,時系列フィルタリングを明示的に活用する。
  論文  参考訳（メタデータ） (2022-03-08T10:44:30Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。