論文の概要: Graph Neural Stochastic Differential Equations

• arxiv url: http://arxiv.org/abs/2308.12316v1
• Date: Wed, 23 Aug 2023 09:20:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 16:45:12.671630
• Title: Graph Neural Stochastic Differential Equations
• Title（参考訳）: グラフニューラル確率微分方程式
• Authors: Richard Bergna, Felix Opolka, Pietro Li\`o, Jose Miguel Hernandez-Lobato
• Abstract要約: グラフニューラル微分方程式(Graph Neural Differential Equations: Graph Neural SDEs)を提案する。 この手法は、ブラウン運動を用いたデータ表現にランダム性を埋め込むことにより、グラフニューラル正規微分方程式(Graph Neural Ordinary Differential Equations, Graph Neural ODEs)を強化する。 我々は、グラフ畳み込みネットワークやグラフニューラルODEといった従来のモデル、特に信頼性予測において、潜在グラフニューラルSDEが超越していることを発見した。
• 参考スコア（独自算出の注目度）: 3.568455515949288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel model Graph Neural Stochastic Differential Equations (Graph Neural SDEs). This technique enhances the Graph Neural Ordinary Differential Equations (Graph Neural ODEs) by embedding randomness into data representation using Brownian motion. This inclusion allows for the assessment of prediction uncertainty, a crucial aspect frequently missed in current models. In our framework, we spotlight the \textit{Latent Graph Neural SDE} variant, demonstrating its effectiveness. Through empirical studies, we find that Latent Graph Neural SDEs surpass conventional models like Graph Convolutional Networks and Graph Neural ODEs, especially in confidence prediction, making them superior in handling out-of-distribution detection across both static and spatio-temporal contexts.
• Abstract（参考訳）: 本稿では,新しいモデルグラフニューラルネットワーク確率微分方程式(graph neural sdes)を提案する。 この手法は、ブラウン運動を用いたデータ表現にランダム性を埋め込むことにより、グラフニューラル常微分方程式(graph neural odes)を強化する。 この包含は予測の不確実性の評価を可能にし、現在のモデルでしばしば見逃される重要な側面である。 本フレームワークでは,textit{Latent Graph Neural SDE} 変種に着目し,その有効性を示す。 実験的な研究により、グラフ畳み込みネットワークやグラフニューラルODEといった従来のモデル、特に信頼性予測において、潜在グラフニューラルSDEが超越していることが判明した。

関連論文リスト

• Uncertainty Modeling in Graph Neural Networks via Stochastic Differential Equations [14.422150854883453]
  ブラウン運動によってランダム性を埋め込んで不確実性を定量化することでGNODEを増強するLatent Graph Neural Differential Equations (LGNSDE)を導入する。 我々は,LGNSDEの理論的保証を提供し,不確実性定量化における性能を実証的に示す。
  論文  参考訳（メタデータ） (2024-08-28T19:59:58Z)
• Coupling Graph Neural Networks with Fractional Order Continuous Dynamics: A Robustness Study [24.950680319986486]
  グラフニューラル分数次微分方程式(FDE)モデルのロバスト性について厳密に検討する。 このフレームワークは、時間差分カプトー微分を実装することで、従来のグラフニューラル(整数階)常微分方程式(ODE)モデルを超えて拡張する。
  論文  参考訳（メタデータ） (2024-01-09T02:56:52Z)
• Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
  グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。 本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• 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)
• Graph Sequential Neural ODE Process for Link Prediction on Dynamic and Sparse Graphs [33.294977897987685]
  動的グラフ上のリンク予測は、グラフマイニングにおいて重要な課題である。 動的グラフニューラルネットワーク(DGNN)に基づく既存のアプローチは通常、かなりの量の履歴データを必要とする。 グラフシークエンシャルニューラルネットワークプロセス(GSNOP)と呼ばれる,ニューラルプロセスに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-11-15T23:21:02Z)
• On the Robustness of Graph Neural Diffusion to Topology Perturbations [30.284359808863588]
  グラフニューラルPDEは,他のGNNと比較して本質的にトポロジ的摂動に対して頑健であることを示す。 本稿では,新しい堅牢なGNNを定義可能なグラフニューラルPDEフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-16T07:19:35Z)
• 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)
• Non-separable Spatio-temporal Graph Kernels via SPDEs [90.62347738138594]
  グラフ上の時間的原理モデリングのためのグラフカーネルを提供する。 グラフをモデリングするための新しいツールを提供することで、既存のグラフカーネルを現実のアプリケーションで上回ります。
  論文  参考訳（メタデータ） (2021-11-16T14:53:19Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。