Fugu-MT 論文翻訳(概要): Asynchronous Graph Generator

論文の概要: Asynchronous Graph Generator

arxiv url: http://arxiv.org/abs/2309.17335v2
Date: Wed, 22 May 2024 22:15:13 GMT
ステータス: 処理完了
システム内更新日: 2024-05-26 20:52:56.229989
Title: Asynchronous Graph Generator
Title（参考訳）: 非同期グラフジェネレータ
Authors: Christopher P. Ley, Felipe Tobar,
Abstract要約: AGGは、学習可能な埋め込みを通じて、ノード内の計測、タイムスタンプ、チャネル固有の機能をエンコードする。 AGGは、例えば、所定のタイムスタンプとチャネル仕様に条件付けされた新しいノードを作成することで、エンプレクショナルアテンション生成による計算を実行する。実験の結果、AGGは、ベンチマークデータセットであるemphBeijing Air Quality、emphPhysioNet ICU 2012、emphUCIローカライゼーションにおいて、時系列の計算、分類、予測において最先端の結果を達成し、近年の注目を集めていることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce the asynchronous graph generator (AGG), a novel graph attention network for imputation and prediction of multi-channel time series. Free from recurrent components or assumptions about temporal/spatial regularity, AGG encodes measurements, timestamps and channel-specific features directly in the nodes via learnable embeddings. Through an attention mechanism, these embeddings allow for discovering expressive relationships among the variables of interest in the form of a homogeneous graph. Once trained, AGG performs imputation by \emph{conditional attention generation}, i.e., by creating a new node conditioned on given timestamps and channel specification. The proposed AGG is compared to related methods in the literature and its performance is analysed from a data augmentation perspective. Our experiments reveal that AGG achieved state-of-the-art results in time series imputation, classification and prediction for the benchmark datasets \emph{Beijing Air Quality}, \emph{PhysioNet ICU 2012} and \emph{UCI localisation}, outperforming other recent attention-based networks.
Abstract（参考訳）: 本稿では,マルチチャネル時系列の計算と予測のための新しいグラフアテンションネットワークである非同期グラフ生成器(AGG)を紹介する。 AGGは、時間的/空間的規則性に関する再帰的なコンポーネントや仮定から解放され、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、チャネル固有の機能をコード化する。注意機構を通じて、これらの埋め込みは興味のある変数間の表現的関係を同質グラフの形で発見することができる。訓練後、AGGは所定のタイムスタンプとチャネル仕様に条件付けされた新しいノードを作成することで、emph{conditional attention generation} による計算を実行する。提案したAGGは文献の関連手法と比較し,その性能をデータ拡張の観点から分析する。実験の結果、AGGは時系列計算、分類、予測において、ベンチマークデータセット \emph{Beijing Air Quality} 、 \emph{PhysioNet ICU 2012} 、 \emph{UCI Localization} の最先端結果を達成し、他の注目ネットワークよりも優れていることがわかった。

関連論文リスト

TempoKGAT: A Novel Graph Attention Network Approach for Temporal Graph Analysis [3.5707423185282656]
本稿では,時間遅延重みと空間領域上の選択的な隣接集約機構を組み合わせた新しいタイプのグラフアテンションネットワークであるTempoKGATを提案する。我々は、時間的データを含む交通、エネルギー、健康セクターから複数のデータセットに対するアプローチを評価する。
論文参考訳（メタデータ） (2024-08-29T09:54:46Z)
Deep Generative Models for Subgraph Prediction [10.56335881963895]
本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
論文参考訳（メタデータ） (2024-08-07T19:24:02Z)
Learning Time-aware Graph Structures for Spatially Correlated Time Series Forecasting [30.93275270960829]
本稿では時系列間の時間認識相関を抽出する時間認識グラフ構造学習(TagSL)を提案する。グラフ畳み込みに基づくGated Recurrent Unit (GCGRU) も提案する。最後に,TagSLとGCGRUを組み合わせたTGCRN(Time-aware Graph Convolutional Recurrent Network)という統合フレームワークを導入し,マルチステップ時間予測のためのエンコーダデコーダアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-12-27T04:23:43Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
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)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
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)
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)
Learning to Generate Time Series Conditioned Graphs with Generative Adversarial Nets [9.884477413012815]
我々は、時系列グラフ生成と呼ばれる新しい問題に興味を持っている:入力時系列が与えられたら、ターゲット関係グラフを推論することを目指している。そこで我々は,新しい時系列条件付きグラフ生成・生成Adrial Networks (TSGGGAN)を提案する。合成および実単語遺伝子制御ネットワークデータセットの広範な実験は、提案したTSGG-GANの有効性と一般化性を実証している。
論文参考訳（メタデータ） (2020-03-03T10:41:56Z)
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。