論文の概要: Learning adjacency matrix for dynamic graph neural network
- arxiv url: http://arxiv.org/abs/2310.02606v1
- Date: Wed, 4 Oct 2023 06:42:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 16:09:12.971374
- Title: Learning adjacency matrix for dynamic graph neural network
- Title(参考訳): 動的グラフニューラルネットワークのための学習隣接行列
- Authors: Osama Ahmad, Omer Abdul Jalil, Usman Nazir, Murtaza Taj
- Abstract要約: 欠落したリンクを学習するために特別に設計されたエンコーダを導入する。
エンコーダは、Adjacency Matrix (BA) を処理し、接続されていないノード間の接続を予測する。
このマトリックスはその後、複雑なサブテンポラルネットワークをキャプチャするために、Neural Block Adjacency Matrix (STBAM)に供給される。
- 参考スコア(独自算出の注目度): 3.8561286070836798
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent work, [1] introduced the concept of using a Block Adjacency Matrix
(BA) for the representation of spatio-temporal data. While their method
successfully concatenated adjacency matrices to encapsulate spatio-temporal
relationships in a single graph, it formed a disconnected graph. This
limitation hampered the ability of Graph Convolutional Networks (GCNs) to
perform message passing across nodes belonging to different time steps, as no
temporal links were present. To overcome this challenge, we introduce an
encoder block specifically designed to learn these missing temporal links. The
encoder block processes the BA and predicts connections between previously
unconnected subgraphs, resulting in a Spatio-Temporal Block Adjacency Matrix
(STBAM). This enriched matrix is then fed into a Graph Neural Network (GNN) to
capture the complex spatio-temporal topology of the network. Our evaluations on
benchmark datasets, surgVisDom and C2D2, demonstrate that our method, with
slightly higher complexity, achieves superior results compared to
state-of-the-art results. Our approach's computational overhead remains
significantly lower than conventional non-graph-based methodologies for
spatio-temporal data.
- Abstract(参考訳): 最近の研究で[1]は時空間データの表現にBlock Adjacency Matrix (BA)を使うという概念を導入した。
それらの手法は,1つのグラフに時空間関係をカプセル化するために隣接行列の連結に成功したが,非連結グラフを形成した。
この制限は、時間的リンクが存在しないため、異なる時間ステップに属するノード間でメッセージを転送するグラフ畳み込みネットワーク(gcns)の能力を妨げるものであった。
この課題を克服するために、これらの欠落した時間リンクを学習するために特別に設計されたエンコーダブロックを導入する。
エンコーダブロックはbaを処理し、未接続のサブグラフ間の接続を予測し、時空間ブロック隣接行列(stbam)を生成する。
このリッチマトリックスはグラフニューラルネットワーク(GNN)に入力され、ネットワークの複雑な時空間トポロジーをキャプチャする。
ベンチマークデータセット surgVisDom と C2D2 による評価により,我々の手法は,複雑さがわずかに高く,最先端の結果よりも優れた結果が得られることが示された。
提案手法の計算オーバーヘッドは,時空間データに対する従来の非グラフベースの手法に比べて有意に低い。
関連論文リスト
- Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-15T08:17:18Z) - Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。
ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。
実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
論文 参考訳(メタデータ) (2022-09-30T18:24:13Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-20T14:41:37Z) - Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。
ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。
本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-09-14T09:47:38Z) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳(メタデータ) (2022-06-07T09:08:35Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - Efficient-Dyn: Dynamic Graph Representation Learning via Event-based
Temporal Sparse Attention Network [2.0047096160313456]
動的グラフニューラルネットワークは、研究者からますます注目を集めている。
本稿では,新しい動的グラフニューラルネットワークであるEfficient-Dynを提案する。
時間的情報を同じ量の時間的トポロジ的構造を持つパッチのシーケンスに適応的に符号化する。
論文 参考訳(メタデータ) (2022-01-04T23:52:24Z) - 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) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z)
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。