論文の概要: Backbone-based Dynamic Graph Spatio-Temporal Network for Epidemic
Forecasting
- arxiv url: http://arxiv.org/abs/2312.00485v1
- Date: Fri, 1 Dec 2023 10:34:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 15:09:07.858985
- Title: Backbone-based Dynamic Graph Spatio-Temporal Network for Epidemic
Forecasting
- Title（参考訳）: 流行予測のためのバックボーン型動的グラフ時空間ネットワーク
- Authors: Junkai Mao, Yuexing Han, Gouhei Tanaka and Bing Wang
- Abstract要約: 正確な流行予測は伝染病の予防に重要な課題である。
多くのディープラーニングベースのモデルは、空間情報を構築する際に静的グラフや動的グラフにのみフォーカスする。
バックボーンに基づく動的グラフ時空間ネットワーク(BDGSTN)という新しいモデルを提案する。
- 参考スコア（独自算出の注目度）: 3.382729969842304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate epidemic forecasting is a critical task in controlling disease
transmission. Many deep learning-based models focus only on static or dynamic
graphs when constructing spatial information, ignoring their relationship.
Additionally, these models often rely on recurrent structures, which can lead
to error accumulation and computational time consumption. To address the
aforementioned problems, we propose a novel model called Backbone-based Dynamic
Graph Spatio-Temporal Network (BDGSTN). Intuitively, the continuous and smooth
changes in graph structure, make adjacent graph structures share a basic
pattern. To capture this property, we use adaptive methods to generate static
backbone graphs containing the primary information and temporal models to
generate dynamic temporal graphs of epidemic data, fusing them to generate a
backbone-based dynamic graph. To overcome potential limitations associated with
recurrent structures, we introduce a linear model DLinear to handle temporal
dependencies and combine it with dynamic graph convolution for epidemic
forecasting. Extensive experiments on two datasets demonstrate that BDGSTN
outperforms baseline models and ablation comparison further verifies the
effectiveness of model components. Furthermore, we analyze and measure the
significance of backbone and temporal graphs by using information metrics from
different aspects. Finally, we compare model parameter volume and training time
to confirm the superior complexity and efficiency of BDGSTN.
- Abstract（参考訳）: 正確な流行予測は伝染病の予防に重要な課題である。
多くのディープラーニングベースのモデルは、空間情報を構築する際に静的グラフや動的グラフにのみフォーカスし、それらの関係を無視している。
さらに、これらのモデルはしばしばリカレント構造に依存しており、エラーの蓄積と計算時間の消費につながる可能性がある。
上記の問題に対処するために,Backbone ベースの Dynamic Graph Spatio-Temporal Network (BDGSTN) と呼ばれる新しいモデルを提案する。
直感的には、グラフ構造の連続的かつ滑らかな変化は、隣接するグラフ構造を基本的なパターンを共有する。
この特性を捉えるために,プライマリ情報と時間モデルを含む静的バックボーングラフを生成する適応的手法を用いて,流行データの動的時間グラフを生成し,バックボーンベースの動的グラフを生成する。
繰り返し構造に関連する潜在的な制約を克服するため,線形モデルDLinearを導入し,時間的依存を処理し,流行予測のための動的グラフ畳み込みと組み合わせる。
2つのデータセットに対する大規模な実験により、BDGSTNはベースラインモデルより優れており、アブレーション比較はモデルコンポーネントの有効性をさらに検証している。
さらに,異なる側面の情報メトリクスを用いて,バックボーングラフとテンポラリグラフの意義を分析し,測定する。
最後に,モデルパラメータ量とトレーニング時間を比較し,BDGSTNの複雑さと効率性を検証した。
関連論文リスト
- DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで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） (2024-08-13T15:21:46Z) - State Space Models on Temporal Graphs: A First-Principles Study [30.531930200222423]
深層グラフ学習の研究は、動的挙動を示す実世界の複雑なシステムに応答して、静的グラフから時間グラフへ移行した。
RNNやTransformerのようなシーケンスモデルは、このような時間グラフをモデル化するための主要なバックボーンネットワークである。
時間グラフのダイナミクスをモデル化するためのグラフ状態空間モデルであるGraphSSMを開発した。
論文 参考訳（メタデータ） (2024-06-03T02:56:11Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - 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) - TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time
Series Classification [6.76723360505692]
未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。
26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
論文 参考訳（メタデータ） (2023-04-11T09:21:28Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳（メタデータ） (2023-03-22T06:35:08Z) - Temporal Graph Neural Networks for Irregular Data [14.653008985229615]
TGNN4Iモデルは、不規則な時間ステップとグラフの部分的な観察の両方を扱うように設計されている。
時間連続力学により、任意の時間ステップでモデルを予測できる。
交通・気候モデルによるシミュレーションデータと実世界のデータの実験は、グラフ構造と時間連続力学の両方の有用性を検証する。
論文 参考訳（メタデータ） (2023-02-16T16:47:55Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - 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) - Learning Sparse and Continuous Graph Structures for Multivariate Time
Series Forecasting [5.359968374560132]
Learning Sparse and Continuous Graphs for Forecasting (LSCGF)は、グラフ学習と予測に結合する新しいディープラーニングモデルである。
本稿では,スムーズ・スパース・ユニット (SSU) という新しい手法を提案する。
我々のモデルは、訓練可能な小さなパラメータで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-01-24T13:35:37Z) - 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)
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。