論文の概要: KITS: Inductive Spatio-Temporal Kriging with Increment Training Strategy
- arxiv url: http://arxiv.org/abs/2311.02565v1
- Date: Sun, 5 Nov 2023 04:43:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:51:42.070910
- Title: KITS: Inductive Spatio-Temporal Kriging with Increment Training Strategy
- Title（参考訳）: kits:インクリメンタルトレーニング戦略を用いたインダクティブ時空間クリグ
- Authors: Qianxiong Xu, Cheng Long, Ziyue Li, Sijie Ruan, Rui Zhao, Zhishuai Li
- Abstract要約: Krigingは、観測されたソースノード(センサー付き)を使用して、観測されていないノード(センサーなし)を推論するための調整されたタスクである。
ノードの代わりに仮想ノードをトレーニンググラフに追加し、グラフギャップマスキング問題を自然に解決する。
我々は、インクリメントトレーニング戦略をKITSと命名した。
- 参考スコア（独自算出の注目度）: 22.457676652258087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sensors are commonly deployed to perceive the environment. However, due to
the high cost, sensors are usually sparsely deployed. Kriging is the tailored
task to infer the unobserved nodes (without sensors) using the observed source
nodes (with sensors). The essence of kriging task is transferability. Recently,
several inductive spatio-temporal kriging methods have been proposed based on
graph neural networks, being trained based on a graph built on top of observed
nodes via pretext tasks such as masking nodes out and reconstructing them.
However, the graph in training is inevitably much sparser than the graph in
inference that includes all the observed and unobserved nodes. The learned
pattern cannot be well generalized for inference, denoted as graph gap. To
address this issue, we first present a novel Increment training strategy:
instead of masking nodes (and reconstructing them), we add virtual nodes into
the training graph so as to mitigate the graph gap issue naturally.
Nevertheless, the empty-shell virtual nodes without labels could have
bad-learned features and lack supervision signals. To solve these issues, we
pair each virtual node with its most similar observed node and fuse their
features together; to enhance the supervision signal, we construct reliable
pseudo labels for virtual nodes. As a result, the learned pattern of virtual
nodes could be safely transferred to real unobserved nodes for reliable
kriging. We name our new Kriging model with Increment Training Strategy as
KITS. Extensive experiments demonstrate that KITS consistently outperforms
existing kriging methods by large margins, e.g., the improvement over MAE score
could be as high as 18.33%.
- Abstract（参考訳）: センサーは通常、環境を感知するために配置される。
しかし、高コストのため、センサーは通常わずかに展開される。
Krigingは、観測されたソースノード(センサー付き)を使用して、観測されていないノード(センサーなし)を推論するための調整されたタスクである。
クリグタスクの本質は転送性である。
近年,グラフニューラルネットワークに基づいて,ノードのマスキングや再構成などのプリテキストタスクを通じて観測ノード上に構築したグラフに基づいて,複数のインダクティブ時空間クリギング手法が提案されている。
しかしながら、トレーニングのグラフは、観測された全てのノードと観測されていないノードを含む推論のグラフよりも、必然的にはるかに小さい。
学習したパターンは、グラフギャップとして表される推論に対して十分に一般化することはできない。
この問題に対処するために,我々はまず,ノードをマスキングする代わりに仮想ノードをトレーニンググラフに追加し,グラフギャップ問題を自然に緩和する,新しいインクリメントトレーニング戦略を提案する。
それでも、ラベルのない空のシェル仮想ノードは、悪い学習機能を持ち、監視信号がない可能性がある。
これらの問題を解決するために、各仮想ノードを最もよく似た観測ノードと組み合わせ、それらの特徴を融合させ、監視信号を強化するために、仮想ノードの信頼性の高い擬似ラベルを構築する。
その結果、仮想ノードの学習されたパターンは、信頼性の高いkrigingのために、実際に観測されていないノードに安全に転送できる。
我々は、インクリメントトレーニング戦略をKITSと命名した。
広範囲にわたる実験により、KITSは既存のリグ法を大きなマージンで一貫して上回り、例えば、MAEスコアの改善は18.33%にも達することを示した。
関連論文リスト
- Robust Subgraph Learning by Monitoring Early Training Representations [5.524804393257921]
グラフニューラルネットワーク(GNN)は、グラフ学習やノード分類タスクにおける卓越したパフォーマンスに対して、大きな注目を集めている。
敵攻撃、特に感受性のあるノードによる攻撃に対する脆弱性は、意思決定において課題となる。
本稿では,SHERD(Subgraph Learning Hale through Early Training Representation Distances)を導入し,グラフ入力の性能と対角的堅牢性に対処する。
論文 参考訳（メタデータ） (2024-03-14T22:25:37Z) - EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph
Completion [54.12709176438264]
Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。
現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。
そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
論文 参考訳（メタデータ） (2024-02-15T02:27:23Z) - Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-24T03:43:45Z) - GraphPatcher: Mitigating Degree Bias for Graph Neural Networks via
Test-time Augmentation [48.88356355021239]
グラフニューラルネットワーク(GNN)は通常、豊富な隣り合う情報を持つ高次ノードで十分に機能するが、低次ノードと競合する。
低次ノード上の任意のGNNのテスト時間一般化を強化するためのテスト時間拡張フレームワークであるGraphPatcherを提案する。
GraphPatcherはGNN全体のパフォーマンスを最大3.6%向上し、低度性能を最大6.5%向上させ、最先端のベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2023-10-01T21:50:03Z) - Graph Condensation for Inductive Node Representation Learning [59.76374128436873]
マッピング対応グラフ凝縮法(MCond)を提案する。
MCondは、帰納的表現学習のための合成グラフに新しいノードを統合する。
Redditデータセットでは、最大121.5倍の推論スピードアップと55.9倍のストレージ要求の削減を実現している。
論文 参考訳（メタデータ） (2023-07-29T12:11:14Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Label Propagation across Graphs: Node Classification using Graph Neural
Tangent Kernels [12.445026956430826]
グラフニューラルネットワーク(GNN)はノード分類タスクにおいて優れたパフォーマンスを実現している。
我々の研究は、ラベル付きグラフのセットがトレーニング用に利用可能であり、ラベルなしのターゲットグラフは完全に分離されている、困難な帰納的設定について検討している。
テストグラフとトレーニンググラフが類似した分布から来るという暗黙の仮定の下で、我々のゴールは、観測されていない接続構造に一般化するラベリング関数を開発することである。
論文 参考訳（メタデータ） (2021-10-07T19:42:35Z) - Uniting Heterogeneity, Inductiveness, and Efficiency for Graph
Representation Learning [68.97378785686723]
グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。
GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。
本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
論文 参考訳（メタデータ） (2021-04-04T23:31:39Z) - Integrating Network Embedding and Community Outlier Detection via
Multiclass Graph Description [15.679313861083239]
そこで本稿では,ノード埋め込みとアウトレーヤとコミュニティ検出を統合した非教師なしグラフ埋め込み手法(DMGD)を提案する。
DMGDにより検出された外れ値の数に関する理論的境界を示す。
我々の定式化は、外れ値、コミュニティ割り当て、ノード埋め込み関数の間の興味深いミニマックスゲームに起因する。
論文 参考訳（メタデータ） (2020-07-20T16:21:07Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳（メタデータ） (2020-06-18T00:55:10Z)
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。