論文の概要: Asynchronous Graph Generators
- arxiv url: http://arxiv.org/abs/2309.17335v1
- Date: Fri, 29 Sep 2023 15:46:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 13:05:19.832525
- Title: Asynchronous Graph Generators
- Title(参考訳): 非同期グラフジェネレータ
- Authors: Christopher P. Ley and Felipe Tobar
- Abstract要約: 非同期グラフ生成器(AGG)は、マルチチャネル時系列のための新しいグラフニューラルネットワークアーキテクチャである。
AGGは、学習可能な埋め込みを通じてノード内の測定、タイムスタンプ、メタデータを直接表現する。
AGGは、北京空気品質、PhyloNet Challenge 2012、UCIローカライゼーションのベンチマークデータセットの時系列データ計算、分類、予測において、最先端の結果を達成した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We introduce the asynchronous graph generator (AGG), a novel graph neural
network architecture for multi-channel time series which models observations as
nodes on a dynamic graph and can thus perform data imputation by transductive
node generation. Completely free from recurrent components or assumptions about
temporal regularity, AGG represents measurements, timestamps and metadata
directly in the nodes via learnable embeddings, to then leverage attention to
learn expressive relationships across the variables of interest. This way, the
proposed architecture implicitly learns a causal graph representation of sensor
measurements which can be conditioned on unseen timestamps and metadata to
predict new measurements by an expansion of the learnt graph. The proposed AGG
is compared both conceptually and empirically to previous work, and the impact
of data augmentation on the performance of AGG is also briefly discussed. Our
experiments reveal that AGG achieved state-of-the-art results in time series
data imputation, classification and prediction for the benchmark datasets
Beijing Air Quality, PhysioNet Challenge 2012 and UCI localisation.
- Abstract(参考訳): 本稿では,動的グラフ上のノードとして観測をモデル化し,トランスダクティブノード生成によるデータインプテーションを実現する,マルチチャネル時系列のための新しいグラフニューラルネットワークアーキテクチャであるaggを提案する。
時間的規則性に関する仮定やコンポーネントの繰り返しから完全に解放されたAGGは、学習可能な埋め込みを通じてノード内の測定、タイムスタンプ、メタデータを直接表現し、関心のある変数間で表現的な関係を学ぶために注意を払っていく。
このようにして提案するアーキテクチャは,センサ計測の因果グラフ表現を暗黙的に学習し,未認識のタイムスタンプとメタデータで条件付けし,学習グラフの拡張によって新たな測定値を予測する。
提案する agg は,概念的にも経験的にも先行研究と比較され,データ拡張が agg の性能に与える影響についても簡単に考察した。
実験の結果,AGGは北京空気質,PhyloNet Challenge 2012,UCIローカライゼーションのベンチマークデータセットの時系列データ計算,分類,予測において,最先端の成果を得た。
関連論文リスト
- Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
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。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳(メタデータ) (2023-05-22T10:29:52Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph
Learning [114.72818205974285]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳(メタデータ) (2023-03-22T06:35:08Z) - 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) - Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。
本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。
リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2022-12-31T10:07:19Z) - GEMS: Scene Expansion using Generative Models of Graphs [3.5998698847215165]
本稿では,その表現,シーングラフに着目し,新たなシーン拡張タスクを提案する。
まず、まず新しいノードを予測し、次にグラフ内の新しく予測されたノードと以前のノードの関係を予測します。
我々は、拡張されたシーングラフを評価するために、Visual GenomeとVRDデータセットに関する広範な実験を行う。
論文 参考訳(メタデータ) (2022-07-08T07:41:28Z) - Long-term Spatio-temporal Forecasting via Dynamic Multiple-Graph
Attention [20.52864145999387]
長期的テンソル時間予測(LSTF)は、空間的領域と時間的領域、文脈的情報、およびデータ固有のパターン間の長期的依存関係を利用する。
本稿では,各ノードのコンテキスト情報と長期駐車による時間的データ依存構造を表現する新しいグラフモデルを提案する。
提案手法は,LSTF予測タスクにおける既存のグラフニューラルネットワークモデルの性能を大幅に向上させる。
論文 参考訳(メタデータ) (2022-04-23T06:51:37Z) - Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。
このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。
kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文 参考訳(メタデータ) (2022-02-25T10:02:49Z) - PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。
PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。
提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-02-18T02:15:44Z) - Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for
Reading Task Identification [79.41619843969347]
我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。
本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。
このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
論文 参考訳(メタデータ) (2021-02-21T18:19:49Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。