論文の概要: Adaptive Least Mean Squares Graph Neural Networks and Online Graph
Signal Estimation
- arxiv url: http://arxiv.org/abs/2401.15304v1
- Date: Sat, 27 Jan 2024 05:47:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 19:03:47.004462
- Title: Adaptive Least Mean Squares Graph Neural Networks and Online Graph
Signal Estimation
- Title(参考訳): 適応最小平均二乗グラフニューラルネットワークとオンライングラフ信号推定
- Authors: Yi Yan, Changran Peng, Ercan Engin Kuruoglu
- Abstract要約: 時間変化グラフ信号のオンライン推定のための効率的なニューラルネットワークアーキテクチャを提案する。
Adaptive Least Mean Squares Graph Neural Networks (LMS-GNN)は、適応グラフフィルタとグラフニューラルネットワーク(GNN)の組み合わせである。
実世界の温度データを用いて実験したところ,我々のLMS-GNNはグラフベースの手法よりも正確なオンライン予測を実現していることがわかった。
- 参考スコア(独自算出の注目度): 3.6448362316632115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The online prediction of multivariate signals, existing simultaneously in
space and time, from noisy partial observations is a fundamental task in
numerous applications. We propose an efficient Neural Network architecture for
the online estimation of time-varying graph signals named the Adaptive Least
Mean Squares Graph Neural Networks (LMS-GNN). LMS-GNN aims to capture the time
variation and bridge the cross-space-time interactions under the condition that
signals are corrupted by noise and missing values. The LMS-GNN is a combination
of adaptive graph filters and Graph Neural Networks (GNN). At each time step,
the forward propagation of LMS-GNN is similar to adaptive graph filters where
the output is based on the error between the observation and the prediction
similar to GNN. The filter coefficients are updated via backpropagation as in
GNN. Experimenting on real-world temperature data reveals that our LMS-GNN
achieves more accurate online predictions compared to graph-based methods like
adaptive graph filters and graph convolutional neural networks.
- Abstract(参考訳): ノイズのある部分的観測から空間と時間に存在する多変量信号のオンライン予測は、多くの応用において基本的な課題である。
本稿では,LMS-GNN (Adaptive Least Mean Squares Graph Neural Networks) と呼ばれる時間変化グラフ信号のオンライン推定のための効率的なニューラルネットワークアーキテクチャを提案する。
LMS-GNNは、ノイズや欠落した値によって信号が破損するという条件の下で、時間変動を捉え、時空間間相互作用をブリッジすることを目的としている。
LMS-GNNは適応グラフフィルタとグラフニューラルネットワーク(GNN)の組み合わせである。
各段階において、LMS-GNNの前方伝播は、GNNに類似した観測と予測の誤差に基づいて出力される適応グラフフィルタに類似する。
フィルタ係数は、GNNのようにバックプロパゲーションによって更新される。
LMS-GNNは、適応グラフフィルタやグラフ畳み込みニューラルネットワークのようなグラフベースの手法と比較して、より正確なオンライン予測を実現している。
関連論文リスト
- Adaptive Least Mean pth Power Graph Neural Networks [5.4004917284050835]
オンライングラフ信号推定のための適応フィルタとグラフニューラルネットワークを組み合わせた普遍的なフレームワークを提案する。
LMP-GNNは、ノイズや観察の欠如、オンライン更新機能を扱う際の適応フィルタリングの利点を保っている。
4つの異なる雑音分布下での2つの実世界の温度グラフとトラヒックグラフに関する実験結果から,提案したLMP-GNNの有効性とロバスト性が確認された。
論文 参考訳(メタデータ) (2024-05-07T08:28:51Z) - Learning Stable Graph Neural Networks via Spectral Regularization [18.32587282139282]
グラフニューラルネットワーク(GNN)の安定性は、GNNがグラフ摂動にどう反応するかを特徴付け、ノイズの多いシナリオでアーキテクチャのパフォーマンスを保証する。
本稿では,グラフスペクトル領域におけるフィルタ周波数応答を正規化することにより,アーキテクチャの安定性を向上させる自己正規化グラフニューラルネットワーク(SR-GNN)を開発した。
論文 参考訳(メタデータ) (2022-11-13T17:27:21Z) - Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。
従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文 参考訳(メタデータ) (2022-05-22T08:01:47Z) - Sparsification and Filtering for Spatial-temporal GNN in Multivariate
Time-series [0.0]
本稿では,時空間グラフニューラルネットワークと行列フィルタリングモジュールを統合した多変量時系列予測のためのエンドツーエンドアーキテクチャを提案する。
このモジュールは、GNNに入力する前に、多変量時系列からフィルタ(逆)相関グラフを生成する。
グラフニューラルネットワークで採用されている既存のスカラー化手法とは対照的に,我々のモデルは,複雑なシステムデータに典型的な低信号-雑音比を克服するために,時系列フィルタリングを明示的に活用する。
論文 参考訳(メタデータ) (2022-03-08T10:44:30Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳(メタデータ) (2021-10-06T16:08:44Z) - 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) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳(メタデータ) (2020-10-05T04:57:18Z) - Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。
これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文 参考訳(メタデータ) (2020-08-04T18:57:36Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳(メタデータ) (2020-06-04T08:00:00Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳(メタデータ) (2020-03-08T13:02:15Z)
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。