論文の概要: Variational Label-Correlation Enhancement for Congestion Prediction

• arxiv url: http://arxiv.org/abs/2308.00529v1
• Date: Tue, 1 Aug 2023 13:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 14:01:10.482219
• Title: Variational Label-Correlation Enhancement for Congestion Prediction
• Title（参考訳）: 混雑予測のための変動ラベル相関強調法
• Authors: Biao Liu, Congyu Qiao, Ning Xu, Xin Geng, Ziran Zhu, Jun Yang
• Abstract要約: 空間ラベル相関は回路設計の基本的な特徴であり、グリッドの混雑状態は孤立しないが、隣接するグリッドの条件に本質的に影響される。 本稿では,渋滞予測のためのVAriational Label-Correlation Enhancement for Congestion Predictionを提案する。 実験の結果, 公開されている textttISPD2011 および textttDAC2012 ベンチマークにおいて, 提案手法の有効性が検証された。
• 参考スコア（独自算出の注目度）: 38.17632142156126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The physical design process of large-scale designs is a time-consuming task, often requiring hours to days to complete, with routing being the most critical and complex step. As the the complexity of Integrated Circuits (ICs) increases, there is an increased demand for accurate routing quality prediction. Accurate congestion prediction aids in identifying design flaws early on, thereby accelerating circuit design and conserving resources. Despite the advancements in current congestion prediction methodologies, an essential aspect that has been largely overlooked is the spatial label-correlation between different grids in congestion prediction. The spatial label-correlation is a fundamental characteristic of circuit design, where the congestion status of a grid is not isolated but inherently influenced by the conditions of its neighboring grids. In order to fully exploit the inherent spatial label-correlation between neighboring grids, we propose a novel approach, {\ours}, i.e., VAriational Label-Correlation Enhancement for Congestion Prediction, which considers the local label-correlation in the congestion map, associating the estimated congestion value of each grid with a local label-correlation weight influenced by its surrounding grids. {\ours} leverages variational inference techniques to estimate this weight, thereby enhancing the regression model's performance by incorporating spatial dependencies. Experiment results validate the superior effectiveness of {\ours} on the public available \texttt{ISPD2011} and \texttt{DAC2012} benchmarks using the superblue circuit line.
• Abstract（参考訳）: 大規模設計の物理的設計プロセスは時間を要する作業であり、しばしば数時間から数日を要し、ルーティングは最も重要で複雑なステップである。 集積回路(IC)の複雑さが増大するにつれて、正確なルーティング品質予測への需要が高まっている。 正確な混雑予測は、設計上の欠陥を早期に特定し、回路設計と資源の保存を加速する。 現在の混雑予測手法の進歩にもかかわらず、主に見過ごされている重要な側面は、混雑予測における異なるグリッド間の空間的ラベル相関である。 空間ラベル相関は回路設計の基本的な特徴であり、グリッドの混雑状態は孤立しないが、隣接するグリッドの条件に本質的に影響される。 周辺グリッド間の空間的ラベル相関をフル活用するために, 局所的なラベル相関と周辺グリッドの影響を受けやすい局所的なラベル相関重とを関連づけた, VAriational Label-Correlation Enhancement for Congestion Prediction(VAriational Label-Correlation Enhancement for Congestion Prediction)を提案する。 ours} はこの重みを推定するために変分推論技術を利用し、空間依存を組み込むことで回帰モデルの性能を高める。 実験結果は、スーパーブルー回路線を用いた公開の \texttt{ispd2011} および \texttt{dac2012}ベンチマークにおける {\ours} の優れた有効性を検証する。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Boosting Urban Traffic Speed Prediction via Integrating Implicit Spatial Correlations [25.944188332715488]
  都市交通速度予測は、都市交通サービスの改善に向けた将来の交通速度を推定することを目的としている。 本稿では,現在の交通速度予測手法で暗黙的空間相関を保たせるための汎用モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-25T16:52:24Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting [6.867331860819595]
  複雑な時空間相関と非線形トラフィックパターンのため、交通予測は非常に困難である。 既存の研究は主に、空間的相関と時間的相関を別々に考慮して、そのような空間的・時間的依存関係をモデル化する。 本稿では,局所的マルチヘッド自己アテンションを用いた空間時間グラフ上での空間空間的・時間的相関を直接モデル化する。
  論文  参考訳（メタデータ） (2022-07-09T19:21:00Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction [3.084885761077852]
  ライドシェアの需要予測は、リソースの事前配置、車の利用率の向上、ユーザエクスペリエンス向上に役立つ。 既存の配車需要予測手法は、近隣地域でのみ同様の重要性を割り当てている。 本研究では,新しい配車需要予測手法である空間時間動的グラフ注意ネットワーク(STDGAT)を提案する。
  論文  参考訳（メタデータ） (2020-06-07T13:00:19Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Learning Scalable Multi-Agent Coordination by Spatial Differentiation for Traffic Signal Control [8.380832628205372]
  交通信号制御のためのディープ強化学習法に基づくマルチエージェント協調フレームワークを設計する。 具体的には、リプレイバッファ内の時間空間情報を用いて各アクションの報酬を補正する調整のための空間差分法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T02:16:00Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。