論文の概要: Enhancing Graph U-Nets for Mesh-Agnostic Spatio-Temporal Flow Prediction

• arxiv url: http://arxiv.org/abs/2406.03789v1
• Date: Thu, 6 Jun 2024 07:01:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 16:09:36.696182
• Title: Enhancing Graph U-Nets for Mesh-Agnostic Spatio-Temporal Flow Prediction
• Title（参考訳）: メッシュに依存しない時空間流予測のためのグラフU-ネットの強化
• Authors: Sunwoong Yang, Ricardo Vinuesa, Namwoo Kang,
• Abstract要約: 本研究では,畳み込みニューラルネットワークに基づく従来のディープラーニングアプローチを克服することを目的とする。 グラフU-Netを用いた一過性流れ場の固有予測を改善するための新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.3964255330849356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study aims to overcome the conventional deep-learning approaches based on convolutional neural networks, whose applicability to complex geometries and unstructured meshes is limited due to their inherent mesh dependency. We propose novel approaches to improve mesh-agnostic spatio-temporal prediction of transient flow fields using graph U-Nets, enabling accurate prediction on diverse mesh configurations. Key enhancements to the graph U-Net architecture, including the Gaussian mixture model convolutional operator and noise injection approaches, provide increased flexibility in modeling node dynamics: the former reduces prediction error by 95\% compared to conventional convolutional operators, while the latter improves long-term prediction robustness, resulting in an error reduction of 86\%. We also investigate transductive and inductive-learning perspectives of graph U-Nets with proposed improvements. In the transductive setting, they effectively predict quantities for unseen nodes within the trained graph. In the inductive setting, they successfully perform in mesh scenarios with different vortex-shedding periods, showing 98\% improvement in predicting the future flow fields compared to a model trained without the inductive settings. It is found that graph U-Nets without pooling operations, i.e. without reducing and restoring the node dimensionality of the graph data, perform better in inductive settings due to their ability to learn from the detailed structure of each graph. Meanwhile, we also discover that the choice of normalization technique significantly impacts graph U-Net performance.
• Abstract（参考訳）: 本研究の目的は、複雑なジオメトリや非構造化メッシュの適用性に制限がある畳み込みニューラルネットワークに基づく従来のディープラーニングアプローチを克服することである。 グラフU-Netを用いてメッシュ非依存の時空間流場の時空間予測を改善する新しい手法を提案し,メッシュ構成の高精度な予測を可能にする。 ガウス混合モデル畳み込み演算子とノイズインジェクションアプローチを含むグラフU-Netアーキテクチャの重要な拡張は、ノードダイナミクスのモデリングにおける柔軟性の向上である: 前者は従来の畳み込み演算子と比較して予測誤差を95%削減し、後者は長期予測の堅牢性を改善し、86\%の誤差削減をもたらす。 また,提案手法を改良したグラフU-Netの帰納的および帰納的学習の視点についても検討する。 トランスダクティブ・セッティングでは、トレーニングされたグラフ内の未確認ノードの量を効果的に予測する。 インダクティブ・セッティングでは、異なる渦破断期間でメッシュ・シナリオをうまく実行し、インダクティブ・セッティングなしでトレーニングされたモデルと比較して、将来のフロー・フィールドを予測するのが98%改善された。 グラフデータのノード次元を小さくしたり復元したりせずに、プール操作をしないグラフU-Netは、各グラフの詳細な構造から学習できるため、インダクティブな設定がより優れていることが判明した。 また,正規化手法の選択がグラフU-Netの性能に大きく影響を与えることも確認した。

関連論文リスト

• Spatiotemporal Forecasting Meets Efficiency: Causal Graph Process Neural Networks [5.703629317205571]
  Causal Graph Graph Processs (CGP) は、リレーショナルフィールド層の代わりにグラフフィルタを使用してパラメータを削減し、メモリ消費を最小限にする代替手段を提供する。 本稿では,CGPとGNNを組み合わせて時間予測を行う非線形モデルを提案する。CGProNetは高階グラフフィルタを採用し,パラメータの少ないモデルに最適化し,メモリ使用量を削減し,実行効率を向上させる。
  論文  参考訳（メタデータ） (2024-05-29T08:37:48Z)
• Interpretable Fine-Tuning and Error Indication for Graph Neural Network Surrogate Models [0.0]
  本研究は,グラフニューラルネットワーク(GNN)の解釈可能な微調整戦略を導入する。 最終結果は、予測タスクに本質的に関連付けられている部分グラフに対応する物理空間内の領域を分離する強化された微調整モデルである。 微調整されたGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
  論文  参考訳（メタデータ） (2023-11-13T18:37:07Z)
• 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)
• Generalization in Graph Neural Networks: Improved PAC-Bayesian Bounds on Graph Diffusion [17.70434437597516]
  本稿では,グラフニューラルネットワークの特徴拡散行列の最大特異値でスケールする一般化境界について述べる。 これらの境界は実世界のグラフの以前の境界よりも数値的にはるかに小さい。 ヘッセン語を用いた雑音摂動に対するグラフニューラルネットワークの安定性を測定する。
  論文  参考訳（メタデータ） (2023-02-09T05:54:17Z)
• EEGNN: Edge Enhanced Graph Neural Networks [1.0246596695310175]
  そこで本研究では,このような劣化した性能現象の新たな説明法を提案する。 このような単純化は、グラフの構造情報を取得するためにメッセージパッシング層の可能性を減らすことができることを示す。 EEGNNは、提案したディリクレ混合ポアソングラフモデルから抽出した構造情報を用いて、様々なディープメッセージパスGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-08-12T15:24:55Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Scaling Up Graph Neural Networks Via Graph Coarsening [18.176326897605225]
  グラフニューラルネットワーク(GNN)のスケーラビリティは、マシンラーニングにおける大きな課題のひとつだ。 本稿では,GNNのスケーラブルなトレーニングにグラフ粗大化を用いることを提案する。 既成の粗大化法を単純に適用すれば,分類精度を著しく低下させることなく,ノード数を最大10倍に削減できることを示す。
  論文  参考訳（メタデータ） (2021-06-09T15:46:17Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。