論文の概要: Graph ODE with Factorized Prototypes for Modeling Complicated
Interacting Dynamics
- arxiv url: http://arxiv.org/abs/2311.06554v1
- Date: Sat, 11 Nov 2023 12:04:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 17:55:35.853290
- Title: Graph ODE with Factorized Prototypes for Modeling Complicated
Interacting Dynamics
- Title(参考訳): 複雑な相互作用ダイナミクスをモデル化するための因子化プロトタイプ付きグラフODE
- Authors: Xiao Luo, Yiyang Gu, Huiyu Jiang, Jinsheng Huang, Wei Ju, Ming Zhang,
Yizhou Sun
- Abstract要約: 本稿では,その問題に対処する因子化プロトタイプ(GOAT)を用いたグラフODE(Graph ODE)を提案する。
GOATはコンテキスト知識から分解されたプロトタイプを連続グラフODEフレームワークに組み込んでいる。
モデル全体は、その可能性の最大化のために、エンドツーエンドの変分推論フレームワークを使用して最適化される。
- 参考スコア(独自算出の注目度): 37.53887977578548
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper studies the problem of modeling interacting dynamical systems,
which is critical for understanding physical dynamics and biological processes.
Recent research predominantly uses geometric graphs to represent these
interactions, which are then captured by powerful graph neural networks (GNNs).
However, predicting interacting dynamics in challenging scenarios such as
out-of-distribution shift and complicated underlying rules remains unsolved. In
this paper, we propose a new approach named Graph ODE with factorized
prototypes (GOAT) to address the problem. The core of GOAT is to incorporate
factorized prototypes from contextual knowledge into a continuous graph ODE
framework. Specifically, GOAT employs representation disentanglement and system
parameters to extract both object-level and system-level contexts from
historical trajectories, which allows us to explicitly model their independent
influence and thus enhances the generalization capability under system changes.
Then, we integrate these disentangled latent representations into a graph ODE
model, which determines a combination of various interacting prototypes for
enhanced model expressivity. The entire model is optimized using an end-to-end
variational inference framework to maximize the likelihood. Extensive
experiments in both in-distribution and out-of-distribution settings validate
the superiority of GOAT.
- Abstract(参考訳): 本稿では、物理力学や生物学的過程を理解する上で重要な相互作用力学系のモデリング問題について考察する。
最近の研究は主に幾何学グラフを用いてこれらの相互作用を表現し、強力なグラフニューラルネットワーク(GNN)によってキャプチャされる。
しかし、分散外シフトや複雑なルールといった困難なシナリオにおける相互作用のダイナミクスの予測は未解決である。
本稿では,その問題に対処する因子化プロトタイプ(GOAT)を用いたグラフODEという新しい手法を提案する。
GOATの中核となるのは、コンテキスト知識から分解されたプロトタイプを連続グラフODEフレームワークに組み込むことである。
具体的には、GOATでは、オブジェクトレベルのコンテキストとシステムレベルのコンテキストの両方を歴史的トラジェクトリから抽出するために、表現のゆがみとシステムパラメータを用いており、それによって、その独立した影響を明示的にモデル化し、システム変更時の一般化能力を高めることができる。
そして,これらの非絡み合った潜在表現をグラフODEモデルに統合し,モデル表現性を高めるための様々な対話型プロトタイプの組み合わせを決定する。
モデル全体は、確率を最大化するためにエンドツーエンドの変分推論フレームワークを使用して最適化される。
分布域内および分布域外における広範囲な実験はヤギの優越性を検証する。
関連論文リスト
- Sparse Graphical Linear Dynamical Systems [3.949454031868036]
状態空間モデルにおけるモデルパラメータの推定は、おそらく最も複雑なタスクの1つである。
SSMのコンテキスト内で静的および動的グラフィカルモデリングを組み合わせた共同アプローチは存在しない。
本稿では,DGLASSOを提案する。DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO。
論文 参考訳(メタデータ) (2023-07-06T14:10:02Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳(メタデータ) (2023-05-16T11:38:19Z) - Robust Graph Representation Learning via Predictive Coding [46.22695915912123]
予測符号化は、当初脳の情報処理をモデル化するために開発されたメッセージパッシングフレームワークである。
本研究では,予測符号化のメッセージパス規則に依存するモデルを構築する。
提案したモデルは,帰納的タスクと帰納的タスクの両方において,標準的なモデルに匹敵する性能を示す。
論文 参考訳(メタデータ) (2022-12-09T03:58:22Z) - Neural Graphical Models [2.6842860806280058]
本稿では,複雑な特徴依存を合理的な計算コストで表現するために,NGM(Neural Graphical Models)を導入する。
ニューラルネットワークをマルチタスク学習フレームワークとして使用することにより,機能間の依存関係構造と複雑な関数表現をキャプチャする。
NGMは、有向グラフ、無向グラフ、混合エッジグラフを含む一般的なグラフ構造に適合し、混合入力データ型をサポートする。
論文 参考訳(メタデータ) (2022-10-02T07:59:51Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳(メタデータ) (2022-02-25T20:00:56Z) - 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) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳(メタデータ) (2022-02-05T08:21:04Z) - A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。
実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2021-06-22T12:41:19Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳(メタデータ) (2020-06-29T01:01:42Z)
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。