Fugu-MT 論文翻訳(概要): LLM-based Online Prediction of Time-varying Graph Signals

論文の概要: LLM-based Online Prediction of Time-varying Graph Signals

arxiv url: http://arxiv.org/abs/2410.18718v1
Date: Thu, 24 Oct 2024 13:22:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-25 16:43:43.102445
Title: LLM-based Online Prediction of Time-varying Graph Signals
Title（参考訳）: LLMを用いた時間変化グラフ信号のオンライン予測
Authors: Dayu Qin, Yi Yan, Ercan Engin Kuruoglu,
Abstract要約: 時間変化グラフ信号の欠落を予測するために,大規模言語モデル(LLM)を利用する新しいフレームワークを提案する。欠落した各ノードについて、その隣人とその前の見積もりは、欠落した観測を推測するためにLSMに入力され、処理される。風速グラフ信号のオンライン予測のタスクに基づいて,我々のモデルは精度でオンライングラフフィルタリングアルゴリズムより優れています。
参考スコア（独自算出の注目度）: 3.2430260063115233
License:
Abstract: In this paper, we propose a novel framework that leverages large language models (LLMs) for predicting missing values in time-varying graph signals by exploiting spatial and temporal smoothness. We leverage the power of LLM to achieve a message-passing scheme. For each missing node, its neighbors and previous estimates are fed into and processed by LLM to infer the missing observations. Tested on the task of the online prediction of wind-speed graph signals, our model outperforms online graph filtering algorithms in terms of accuracy, demonstrating the potential of LLMs in effectively addressing partially observed signals in graphs.
Abstract（参考訳）: 本稿では,空間的および時間的滑らかさを利用して時間変化グラフ信号の欠落値を予測するために,大規模言語モデル(LLM)を利用した新しいフレームワークを提案する。メッセージパッシング方式を実現するために,LLMのパワーを活用している。欠落した各ノードについて、その隣人とその前の見積もりは、欠落した観測を推測するためにLSMに入力され、処理される。風速グラフ信号のオンライン予測のタスクに基づいて,我々のモデルは精度でオンライングラフフィルタリングアルゴリズムより優れており,グラフ内の部分的な信号に効果的に対処するLLMの可能性を実証している。

関連論文リスト

LLM Online Spatial-temporal Signal Reconstruction Under Noise [3.2430260063115233]
グラフ信号処理(GSP)と大規模言語モデル(LLM)を統合したLLMオンライン時空間再構成(LLM-OSR)フレームワーク LLM-OSRは、GSPベースの時空間信号を用いてグラフ信号を強化し、LLMを用いてパターンに基づいて欠落した値を予測する。 LLM-OSRにおけるGPT-4-oミニの使用はガウス雑音下では正確で頑健であることを示す実験結果が得られた。
論文参考訳（メタデータ） (2024-11-24T09:24:04Z)
Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文参考訳（メタデータ） (2024-10-28T09:19:29Z)
Online Proximal ADMM for Graph Learning from Streaming Smooth Signals [9.34612743192798]
我々は,潜伏グラフ上でスムーズな観測ストリームを用いたオンライングラフ学習のための新しいアルゴリズムを開発した。我々のモダス・オペランは、グラフ信号を逐次処理し、メモリと計算コストを抑えることです。提案手法は,現在最先端のオンライングラフ学習ベースラインと比較して,(準最適性の観点から)追跡性能が向上することを示す。
論文参考訳（メタデータ） (2024-09-19T17:12:03Z)
Beam Prediction based on Large Language Models [51.45077318268427]
ミリ波(mmWave)通信は次世代無線ネットワークに期待できるが、パス損失は大きい。長短期記憶(LSTM)のような従来のディープラーニングモデルでは、ビーム追跡精度が向上するが、ロバスト性や一般化が不足している。本稿では,大規模言語モデル(LLM)を用いて,ビーム予測の堅牢性を向上させる。
論文参考訳（メタデータ） (2024-08-16T12:40:01Z)
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)
Parameter-Efficient Tuning Large Language Models for Graph Representation Learning [62.26278815157628]
Graph-awareを導入します。 GPEFT - グラフ表現学習のための新しい手法。グラフニューラルネットワーク(GNN)を用いて、隣接するノードからグラフプロンプトに構造情報をエンコードする。我々は8つの異なるテキストリッチグラフで実施した総合的な実験を通じて,リンク予測評価において hit@1 と Mean Reciprocal Rank (MRR) の平均 2% の改善を観察し,本手法の有効性を検証した。
論文参考訳（メタデータ） (2024-04-28T18:36:59Z)
Adaptive Least Mean Squares Graph Neural Networks and Online Graph Signal Estimation [3.6448362316632115]
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。
論文参考訳（メタデータ） (2024-01-27T05:47:12Z)
LLM4DyG: Can Large Language Models Solve Spatial-Temporal Problems on Dynamic Graphs? [56.85995048874959]
本稿では,大規模言語モデルの動的グラフ上での時空間理解能力を評価することを提案する。我々は、異なるデータ生成装置、データ統計、プロンプト技術、LLMがモデル性能に与える影響を分析する実験を行う。最後に, LLM の時空間理解能力を高めるために, 動的グラフ上の LLM に対する Disentangled Spatial-Temporal Thoughts (DST2) を提案する。
論文参考訳（メタデータ） (2023-10-26T02:37:43Z)
Exploring the Potential of Large Language Models (LLMs) in Learning on Graphs [59.74814230246034]
大規模言語モデル(LLM)は、広範な共通知識と強力な意味理解能力を持つことが証明されている。 LLMs-as-EnhancersとLLMs-as-Predictorsの2つのパイプラインについて検討する。
論文参考訳（メタデータ） (2023-07-07T05:31:31Z)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)

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。