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
- T-Graphormer: Using Transformers for Spatiotemporal Forecasting [2.855856661274715]
T-Graphormerは、根平均誤差(RMSE)絶対誤差と平均パーセンテージ誤差(EMAP)を最大10%削減する。
Graphormerアーキテクチャに時間的ダイナミクスを組み込むことで、各ノードはグラフシーケンス内の他のすべてのノードに付随する。
T-Graphormerのリアルタイムトラフィック予測ベンチマークに対する有効性を検証する。
論文 参考訳(メタデータ) (2025-01-22T23:32:29Z) - On The Temporal Domain of Differential Equation Inspired Graph Neural
Networks [14.779420473274737]
我々のモデルは、TDE-GNNと呼ばれ、典型的な一階法や二階法を超越した、幅広い時間的ダイナミクスを捉えることができる。
いくつかのグラフベンチマークで予め定義された時間的ダイナミクスを使用するのではなく,我々の手法を用いて時間的依存を学習する利点を実証する。
論文 参考訳(メタデータ) (2024-01-20T01:12:57Z) - 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) - 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) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - Dynamic Graph Learning-Neural Network for Multivariate Time Series
Modeling [2.3022070933226217]
静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。
モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。
ほぼすべてのデータセットで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) (2021-12-06T08:19:15Z) - 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) - On the spatial attention in Spatio-Temporal Graph Convolutional Networks
for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。
最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文 参考訳(メタデータ) (2020-11-07T19:03:04Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z) - Disentangling and Unifying Graph Convolutions for Skeleton-Based Action
Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。
これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-03-31T11:28:25Z)
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。