論文の概要: Signed Graph Neural Ordinary Differential Equation for Modeling Continuous-time Dynamics

• arxiv url: http://arxiv.org/abs/2312.11198v1
• Date: Mon, 18 Dec 2023 13:45:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 19:53:52.904987
• Title: Signed Graph Neural Ordinary Differential Equation for Modeling Continuous-time Dynamics
• Title（参考訳）: 連続時間ダイナミクスモデリングのための符号付きグラフニューラル常微分方程式
• Authors: Lanlan Chen, Kai Wu, Jian Lou, Jing Liu
• Abstract要約: グラフニューラルネットワークを通常の微分方程式と統合する一般的なアプローチは、有望な性能を示している。 符号付きグラフニューラル常微分方程式は,符号付き情報の誤キャプチャの限界に十分対処する。 提案したソリューションは、柔軟性と効率性の両方を誇っている。
• 参考スコア（独自算出の注目度）: 13.912268915939656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling continuous-time dynamics constitutes a foundational challenge, and uncovering inter-component correlations within complex systems holds promise for enhancing the efficacy of dynamic modeling. The prevailing approach of integrating graph neural networks with ordinary differential equations has demonstrated promising performance. However, they disregard the crucial signed information intrinsic to graphs, impeding their capacity to accurately capture real-world phenomena and leading to subpar outcomes. In response, we introduce a novel approach: a signed graph neural ordinary differential equation, adeptly addressing the limitations of miscapturing signed information. Our proposed solution boasts both flexibility and efficiency. To substantiate its effectiveness, we seamlessly integrate our devised strategies into three preeminent graph-based dynamic modeling frameworks: graph neural ordinary differential equations, graph neural controlled differential equations, and graph recurrent neural networks. Rigorous assessments encompass three intricate dynamic scenarios from physics and biology, as well as scrutiny across four authentic real-world traffic datasets. Remarkably outperforming the trio of baselines, empirical results underscore the substantial performance enhancements facilitated by our proposed approach.Our code can be found at https://github.com/beautyonce/SGODE.
• Abstract（参考訳）: 連続時間ダイナミクスのモデリングは基礎的な課題であり、複雑なシステム内のコンポーネント間相関を明らかにすることは、動的モデリングの有効性を高めることを約束する。 グラフニューラルネットワークを通常の微分方程式と統合する一般的なアプローチは、有望な性能を示している。 しかし、グラフに固有の重要な署名された情報を無視し、現実世界の現象を正確に捉える能力が妨げられ、結果が分断される。 これに対し,符号付きグラフニューラル微分方程式は,符号付き情報の誤キャプチャの限界に十分対処する。 提案するソリューションは柔軟性と効率性の両方を誇っている。 その効果を実証するため,提案手法をグラフニューラル常微分方程式,グラフニューラル制御微分方程式,グラフリカレントニューラルネットワークの3つのグラフベース動的モデリングフレームワークにシームレスに統合した。 厳密な評価は、物理と生物学の3つの複雑な動的シナリオを包含すると同時に、実際の4つの現実世界のトラフィックデータセットを精査する。 私たちのコードはhttps://github.com/beautyonce/sgode.com/beautyonce/sgodeにある。

関連論文リスト

• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Contractive Systems Improve Graph Neural Networks Against Adversarial Attacks [12.856220339384269]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフベースのタスクに対処するための重要なコンポーネントとして、自らを確立している。 彼らの顕著な成功にもかかわらず、GNNは相変わらず敵の攻撃の形で摂動を入力できる。 本稿では, 収縮力学系のレンズを用いて, 対向摂動に対してGNNを補強する革新的な手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T20:06:48Z)
• 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)
• Dynamic Graph Representation Learning with Neural Networks: A Survey [0.0]
  動的グラフ表現は新しい機械学習問題として現れた。 本稿では,動的グラフ学習に関連する問題とモデルをレビューすることを目的とする。
  論文  参考訳（メタデータ） (2023-04-12T09:39:17Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [114.72818205974285]
  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)
• Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations [21.936437653875245]
  本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。 本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。 本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
  論文  参考訳（メタデータ） (2023-02-22T12:59:38Z)
• Unravelling the Performance of Physics-informed Graph Neural Networks for Dynamical Systems [5.787429262238507]
  グラフニューラルネットワーク(GNN)とその変種の性能を、明示的な制約と異なるアーキテクチャで評価する。 本研究は, 明示的制約や運動エネルギーとポテンシャルエネルギーの疎結合などの付加的な誘導バイアスを有するGNNが, 性能を著しく向上することを示した。 全ての物理インフォームドGNNは、訓練システムよりも桁違いの大きさのシステムサイズに対してゼロショットの一般化性を示し、大規模な現実的なシステムをシミュレートする有望な経路を提供する。
  論文  参考訳（メタデータ） (2022-11-10T12:29:30Z)
• 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)
• 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)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)

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。