論文の概要: Spatial Graph Coarsening: Weather and Weekday Prediction with London's
Bike-Sharing Service using GNN
- arxiv url: http://arxiv.org/abs/2308.16122v1
- Date: Wed, 30 Aug 2023 16:21:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 12:54:57.665690
- Title: Spatial Graph Coarsening: Weather and Weekday Prediction with London's
Bike-Sharing Service using GNN
- Title(参考訳): 空間グラフの粗大化:GNNを用いたロンドンの自転車シェアリングサービスによる天気・平日予測
- Authors: Yuta Sato, Pak Hei Lam, Shruti Gupta, Fareesah Hussain
- Abstract要約: 本研究は,ロンドンにおける1日の天気と平日の予測にグラフニューラルネットワーク(GNN)を導入した。
自転車駅周辺における土地利用特性のノード特性と世帯数から,提案モデルは,クロスエントロピー損失および検証データセットの精度において,ベースラインモデルよりも優れていた。
- 参考スコア(独自算出の注目度): 0.40964539027092917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study introduced the use of Graph Neural Network (GNN) for predicting
the weather and weekday of a day in London, from the dataset of Santander
Cycles bike-sharing system as a graph classification task. The proposed GNN
models newly introduced (i) a concatenation operator of graph features with
trained node embeddings and (ii) a graph coarsening operator based on
geographical contiguity, namely "Spatial Graph Coarsening". With the node
features of land-use characteristics and number of households around the bike
stations and graph features of temperatures in the city, our proposed models
outperformed the baseline model in cross-entropy loss and accuracy of the
validation dataset.
- Abstract(参考訳): 本研究では,Santander Cyclesの自転車シェアリングシステムのデータセットをグラフ分類タスクとして,ロンドンにおける1日の天気と平日を予測するためにグラフニューラルネットワーク(GNN)を導入した。
新たに導入されたGNNモデル
(i)ノード埋め込みを訓練したグラフ特徴の連結演算子
(ii)地理的連続性に基づくグラフ粗粒化演算子、すなわち「空間グラフ粗粒化」
自転車駅周辺における土地利用特性のノード特性と世帯数,都市内の気温のグラフ特徴により,提案手法は相互エントロピー損失とバリデーションデータセットの精度において,ベースラインモデルよりも優れていた。
関連論文リスト
- Revisiting Neighborhood Aggregation in Graph Neural Networks for Node Classification using Statistical Signal Processing [4.184419714263417]
グラフニューラルネットワーク(GNN)の基本構成要素である近傍集約の概念を再評価する。
本分析では,エッジ独立ノードラベルの仮定の下での動作において,特定のベンチマークGNNモデル内の概念的欠陥を明らかにする。
論文 参考訳(メタデータ) (2024-07-21T22:37:24Z) - Tackling Oversmoothing in GNN via Graph Sparsification: A Truss-based Approach [1.4854797901022863]
本稿では,グラフの高密度領域からエッジを抽出する新鮮で柔軟なトラスグラフスペーシフィケーションモデルを提案する。
次に、GIN、SAGPool、GMT、DiffPool、MinCutPool、HGP-SL、DMonPool、AdamGNNといった最先端のベースラインGNNとプールモデルでスパーシフィケーションモデルを利用する。
論文 参考訳(メタデータ) (2024-07-16T17:21:36Z) - Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳(メタデータ) (2024-05-27T17:52:12Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳(メタデータ) (2023-03-14T20:35:45Z) - Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph
Convolutional Neural Networks [0.6236890292833384]
本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。
BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
論文 参考訳(メタデータ) (2021-12-14T20:58:27Z) - GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。
本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。
GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文 参考訳(メタデータ) (2021-04-18T10:40:37Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳(メタデータ) (2020-10-09T07:35:26Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z) - Customized Graph Neural Networks [38.30640892828196]
グラフニューラルネットワーク(GNN)は,グラフ分類のタスクを大幅に進歩させた。
本稿では,新たにカスタマイズされたグラフニューラルネットワークフレームワークであるCustomized-GNNを提案する。
提案するフレームワークは非常に一般的なもので,既存のグラフニューラルネットワークモデルにも適用可能である。
論文 参考訳(メタデータ) (2020-05-22T05:22:24Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳(メタデータ) (2020-05-15T09:17:08Z) - GraphLIME: Local Interpretable Model Explanations for Graph Neural
Networks [45.824642013383944]
グラフニューラルネットワーク(GNN)は,グラフ構造化データを効果的に表現することに成功した。
本稿では,Hilbert-Schmidt Independence Criterion (HSIC) Lasso を用いたグラフの局所的解釈可能なモデル記述法 GraphLIME を提案する。
論文 参考訳(メタデータ) (2020-01-17T09:50:28Z)
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。