Fugu-MT 論文翻訳(概要): An Extended Kalman Filter Integrated Latent Feature Model on Dynamic Weighted Directed Graphs

論文の概要: An Extended Kalman Filter Integrated Latent Feature Model on Dynamic Weighted Directed Graphs

arxiv url: http://arxiv.org/abs/2407.21376v1
Date: Wed, 31 Jul 2024 06:57:27 GMT
ステータス: 処理完了
システム内更新日: 2024-08-01 18:32:01.733439
Title: An Extended Kalman Filter Integrated Latent Feature Model on Dynamic Weighted Directed Graphs
Title（参考訳）: 動的重み付きグラフ上の拡張カルマンフィルタ統合潜在特徴モデル
Authors: Hongxun Zhou, Xiangyu Chen, Ye Yuan,
Abstract要約: 動的重み付き有向グラフ(DWDG)は、様々なアプリケーションシナリオでよく見られる。既存のアプローチのほとんどは、純粋にデータ駆動の観点から、DWDGに隠された複雑な時間パターンを探索する。本研究は,DWDGをモデル駆動の観点から表現するための拡張カルマン・フィルター包含潜在特徴(EKLF)モデルを提案する。
参考スコア（独自算出の注目度）: 10.531540781874368
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A dynamic weighted directed graph (DWDG) is commonly encountered in various application scenarios. It involves extensive dynamic interactions among numerous nodes. Most existing approaches explore the intricate temporal patterns hidden in a DWDG from the purely data-driven perspective, which suffers from accuracy loss when a DWDG exhibits strong fluctuations over time. To address this issue, this study proposes a novel Extended-Kalman-Filter-Incorporated Latent Feature (EKLF) model to represent a DWDG from the model-driven perspective. Its main idea is divided into the following two-fold ideas: a) adopting a control model, i.e., the Extended Kalman Filter (EKF), to track the complex temporal patterns precisely with its nonlinear state-transition and observation functions; and b) introducing an alternating least squares (ALS) algorithm to train the latent features (LFs) alternatively for precisely representing a DWDG. Empirical studies on DWDG datasets demonstrate that the proposed EKLF model outperforms state-of-the-art models in prediction accuracy and computational efficiency for missing edge weights of a DWDG. It unveils the potential for precisely representing a DWDG by incorporating a control model.
Abstract（参考訳）: 動的重み付き有向グラフ(DWDG)は、様々なアプリケーションシナリオでよく見られる。多数のノード間の広範な動的相互作用を含む。既存のほとんどのアプローチでは、DWDGに隠された複雑な時間パターンを純粋にデータ駆動の観点から探索し、DWDGが時間とともに強い変動を示すと精度が低下する。そこで本研究では,DWDGをモデル駆動の観点から表現するための,拡張カルマン・フィルター内包潜在特徴(EKLF)モデルを提案する。主な考え方は以下の2つに分かれている。 a) 制御モデル、すなわち拡張カルマンフィルタ(EKF)を採用して、複素時間パターンをその非線形状態遷移及び観測関数で正確に追跡すること。 b) DWDGを正確に表すために、代わりに潜伏特徴(LF)を訓練するための交互最小二乗法(ALS)アルゴリズムを導入すること。 DWDGデータセットに関する実証的研究により、提案したEKLFモデルは、DWDGのエッジウェイト不足に対する予測精度と計算効率において、最先端のモデルよりも優れていることを示した。制御モデルを組み込むことでDWDGを正確に表現する可能性を明らかにする。

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)
Latent Conditional Diffusion-based Data Augmentation for Continuous-Time Dynamic Graph Model [6.940445452557734]
連続時間動的グラフ(CTDG)は、現実世界の関係を正確にモデル化する。既存のCTDGモデルは、ノイズと限られた歴史的データから生じる課題に直面する。我々はCTDGに適した遅延拡散に基づくグラフデータ拡張法であるCondaを提案する。
論文参考訳（メタデータ） (2024-07-11T13:35:22Z)
GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering [23.19392802641989]
ハイブリッドモデルベース/データ駆動手法を用いて,グラフ信号の追跡について検討する。我々はGSP-KalmanNetを開発し、グラフィカルな測定から隠れたグラフィカルな状態を追跡する。提案した GSP-KalmanNet は,精度の向上と実行時間性能の向上に加えて,モデルの誤特定に対する堅牢性の向上を実現している。
論文参考訳（メタデータ） (2023-11-28T08:43:10Z)
Unifying over-smoothing and over-squashing in graph neural networks: A physics informed approach and beyond [45.370565281567984]
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機械学習における主要なアプローチの1つである。過密化、過密化、限られた表現力といった重要な計算課題は、GNNの性能に影響を与え続けている。本稿では,マルチスケールヒートカーネルベースGNN (MHKG) を導入し,多様なフィルタ関数がノード特性に与える影響について検討する。
論文参考訳（メタデータ） (2023-09-06T06:22:18Z)
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 Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
論文参考訳（メタデータ） (2022-05-21T20:01:31Z)
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)
Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling [0.0]
本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
論文参考訳（メタデータ） (2020-10-16T21:48:29Z)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)
Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2020-03-31T11:28:25Z)
Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection [86.69077525494106]
非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
論文参考訳（メタデータ） (2020-03-19T13:30:45Z)

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。