論文の概要: Interpreting Temporal Graph Neural Networks with Koopman Theory
- arxiv url: http://arxiv.org/abs/2410.13469v1
- Date: Thu, 17 Oct 2024 11:56:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:18:57.258461
- Title: Interpreting Temporal Graph Neural Networks with Koopman Theory
- Title（参考訳）: クープマン理論を用いた時間グラフニューラルネットワークの解釈
- Authors: Michele Guerra, Simone Scardapane, Filippo Maria Bianchi,
- Abstract要約: 時間グラフに対する説明可能性のアプローチを導入する。
本稿では,STGNNの決定過程を解釈する2つの方法を提案する。
本稿では,感染時間や感染ノードなどの解釈可能な特徴を,拡散過程の文脈で正確に識別する方法を示す。
- 参考スコア（独自算出の注目度）: 9.088336125738385
- License:
- Abstract: Spatiotemporal graph neural networks (STGNNs) have shown promising results in many domains, from forecasting to epidemiology. However, understanding the dynamics learned by these models and explaining their behaviour is significantly more complex than for models dealing with static data. Inspired by Koopman theory, which allows a simpler description of intricate, nonlinear dynamical systems, we introduce an explainability approach for temporal graphs. We present two methods to interpret the STGNN's decision process and identify the most relevant spatial and temporal patterns in the input for the task at hand. The first relies on dynamic mode decomposition (DMD), a Koopman-inspired dimensionality reduction method. The second relies on sparse identification of nonlinear dynamics (SINDy), a popular method for discovering governing equations, which we use for the first time as a general tool for explainability. We show how our methods can correctly identify interpretable features such as infection times and infected nodes in the context of dissemination processes.
- Abstract（参考訳）: 時空間グラフニューラルネットワーク(STGNN)は、予測から疫学まで、多くの領域で有望な結果を示している。
しかしながら、静的データを扱うモデルよりも、これらのモデルから学んだダイナミクスを理解し、それらの振る舞いを説明することがかなり複雑である。
複雑な非線形力学系の簡単な記述を可能にするクープマン理論に着想を得て、時間グラフに対する説明可能性アプローチを導入する。
本稿では,STGNNの決定過程を解釈し,タスクの入力において最も関連性の高い空間的パターンと時間的パターンを同定する2つの方法を提案する。
1つ目は動的モード分解(DMD)であり、これはクープマンにインスパイアされた次元減少法である。
第二に、非線形力学(SINDy)のスパース同定(sparse Identification of dynamic dynamic dynamics, SINDy)に依存している。
本稿では,感染時間や感染ノードなどの解釈可能な特徴を,拡散過程の文脈で正確に識別する方法を示す。
関連論文リスト
- Expressive Symbolic Regression for Interpretable Models of Discrete-Time Dynamical Systems [0.0]
このタスクのためのシンボリックニューラルネットワーク訓練表現(SymANNTEx)アーキテクチャ
修正したSymanNTExモデルでは,単一状態のマップを適切に識別し,二状態のアトラクタの近似に適度に成功していることを示す。
論文 参考訳（メタデータ） (2024-06-05T05:05:29Z) - On The Temporal Domain of Differential Equation Inspired Graph Neural
Networks [14.779420473274737]
我々のモデルは、TDE-GNNと呼ばれ、典型的な一階法や二階法を超越した、幅広い時間的ダイナミクスを捉えることができる。
いくつかのグラフベンチマークで予め定義された時間的ダイナミクスを使用するのではなく,我々の手法を用いて時間的依存を学習する利点を実証する。
論文 参考訳（メタデータ） (2024-01-20T01:12:57Z) - Neural Koopman prior for data assimilation [7.875955593012905]
ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。
本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。
また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
論文 参考訳（メタデータ） (2023-09-11T09:04:36Z) - 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) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - GDBN: a Graph Neural Network Approach to Dynamic Bayesian Network [7.876789380671075]
スパースDAGの学習を目的としたスコアに基づくグラフニューラルネットワーク手法を提案する。
グラフニューラルネットワークを用いた手法は,動的ベイジアンネットワーク推論を用いた他の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2023-01-28T02:49:13Z) - Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。
ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。
実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2022-09-30T18:24:13Z) - Neural ODEs with Irregular and Noisy Data [8.349349605334316]
ノイズや不規則なサンプル測定を用いて微分方程式を学習する手法について議論する。
我々の方法論では、ディープニューラルネットワークとニューラル常微分方程式(ODE)アプローチの統合において、大きな革新が見られる。
ベクトル場を記述するモデルを学習するためのフレームワークは,雑音測定において非常に効果的である。
論文 参考訳（メタデータ） (2022-05-19T11:24:41Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。