Fugu-MT 論文翻訳(概要): Graph Neural Networks and Time Series as Directed Graphs for Quality Recognition

論文の概要: Graph Neural Networks and Time Series as Directed Graphs for Quality Recognition

arxiv url: http://arxiv.org/abs/2310.02774v1
Date: Wed, 4 Oct 2023 12:43:38 GMT
ステータス: 処理完了
システム内更新日: 2023-10-05 15:08:20.685346
Title: Graph Neural Networks and Time Series as Directed Graphs for Quality Recognition
Title（参考訳）: 品質認識のための有向グラフとしてのグラフニューラルネットワークと時系列
Authors: Angelica Simonetti and Ferdinando Zanchetta
Abstract要約: 時系列を有向グラフとして見ているので、そのトポロジは時間依存をエンコードします。我々は、2つの異なる幾何学的ディープラーニングモデル、教師付き分類器、信号再構成のためのオートエンコーダのようなモデルを開発する。
参考スコア（独自算出の注目度）: 40.48245609592348
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Graph Neural Networks (GNNs) are becoming central in the study of time series, coupled with existing algorithms as Temporal Convolutional Networks and Recurrent Neural Networks. In this paper, we see time series themselves as directed graphs, so that their topology encodes time dependencies and we start to explore the effectiveness of GNNs architectures on them. We develop two distinct Geometric Deep Learning models, a supervised classifier and an autoencoder-like model for signal reconstruction. We apply these models on a quality recognition problem.
Abstract（参考訳）: グラフニューラルネットワーク(gnns)は時系列研究の中心となり、時間的畳み込みネットワークやリカレントニューラルネットワークといった既存のアルゴリズムと組み合わされている。本稿では,時系列自体を有向グラフとして捉え,それらのトポロジーが時間依存性をエンコードし,それらに対するgnnsアーキテクチャの有効性を探求する。本研究では,2つの異なる幾何学的深層学習モデル,教師付き分類器,信号再構成のためのオートエンコーダライクモデルを開発した。これらのモデルを品質認識問題に適用する。

関連論文リスト

DTFormer: A Transformer-Based Method for Discrete-Time Dynamic Graph Representation Learning [38.53424185696828]
離散時間動的グラフ(DTDG)の表現学習は、時間的に変化するエンティティとその進化する接続のダイナミクスをモデル化するために広く応用されている。本稿では,従来の GNN+RNN フレームワークから Transformer ベースのアーキテクチャへ移行した DTDG のための表現学習手法 DTFormer を提案する。
論文参考訳（メタデータ） (2024-07-26T05:46:23Z)
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)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting [8.832864937330722]
長距離交通予測は、交通ネットワークで観測される複雑な時間的相関のため、依然として困難な課題である。本稿では,GRAM-ODE(Graph-based Multi-ODE Neural Networks)と呼ばれるアーキテクチャを提案する。実世界の6つのデータセットを用いて行った大規模な実験は、最先端のベースラインと比較して、GRAM-ODEの優れた性能を示す。
論文参考訳（メタデータ） (2023-05-30T02:10:42Z)
Networked Time Series Imputation via Position-aware Graph Enhanced Variational Autoencoders [31.953958053709805]
我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。実験の結果,ベースライン上でのモデルの有効性が示された。
論文参考訳（メタデータ） (2023-05-29T21:11:34Z)
Spatio-Temporal Graph Neural Networks: A Survey [1.9087335681007478]
時間的グラフニューラルネットワークは、時間的要因を考慮したグラフニューラルネットワークの拡張である。本調査では,アルゴリズムやアプリケーション,オープンな課題を含む,時空間グラフニューラルネットワークに関する興味深いトピックについて論じる。
論文参考訳（メタデータ） (2023-01-25T13:17:46Z)
Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文参考訳（メタデータ） (2022-05-31T10:38:04Z)
Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文参考訳（メタデータ） (2020-11-26T14:43:04Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文参考訳（メタデータ） (2020-06-11T08:19:06Z)

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。