Fugu-MT 論文翻訳(概要): Spatial Shortcuts in Graph Neural Controlled Differential Equations

論文の概要: Spatial Shortcuts in Graph Neural Controlled Differential Equations

arxiv url: http://arxiv.org/abs/2410.19673v1
Date: Fri, 25 Oct 2024 16:25:49 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-28 13:37:48.008151
Title: Spatial Shortcuts in Graph Neural Controlled Differential Equations
Title（参考訳）: グラフニューラル制御微分方程式における空間的ショートカット
Authors: Michael Detzel, Gabriel Nobis, Jackie Ma, Wojciech Samek,
Abstract要約: 我々は,従来のグラフトポロジ情報をニューラル微分方程式(NCDE)に組み込んで,グラフ上に定義された力学系の将来状態を予測する。モデルアーキテクチャにおける異なる位置について検討し、NCDEにグラフ情報を与え、隠れ状態と制御の間の外的位置を理論的かつ経験的に好ましいものとして識別する。
参考スコア（独自算出の注目度）: 10.385815269085775
License:
Abstract: We incorporate prior graph topology information into a Neural Controlled Differential Equation (NCDE) to predict the future states of a dynamical system defined on a graph. The informed NCDE infers the future dynamics at the vertices of simulated advection data on graph edges with a known causal graph, observed only at vertices during training. We investigate different positions in the model architecture to inform the NCDE with graph information and identify an outer position between hidden state and control as theoretically and empirically favorable. Our such informed NCDE requires fewer parameters to reach a lower Mean Absolute Error (MAE) compared to previous methods that do not incorporate additional graph topology information.
Abstract（参考訳）: 我々は,従来のグラフトポロジ情報をニューラル制御微分方程式(NCDE)に組み込んで,グラフ上に定義された力学系の将来状態を予測する。 NCDEは、訓練中の頂点でのみ観察される、既知の因果グラフを持つグラフエッジ上の模擬対流データの頂点における将来のダイナミクスを推測する。モデルアーキテクチャにおける異なる位置について検討し、NCDEにグラフ情報を与え、隠れ状態と制御の間の外的位置を理論的かつ経験的に好ましいものとして識別する。このような情報を得たNCDEでは,グラフトポロジ情報を含まない従来の手法に比べて,平均絶対誤差(MAE)の低い値に到達するためのパラメータが少なくなる。

関連論文リスト

Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文参考訳（メタデータ） (2024-02-13T14:13:17Z)
Graph Neural Networks with a Distribution of Parametrized Graphs [27.40566674759208]
複数のグラフをパラメータ化して生成するために潜在変数を導入する。予測最大化フレームワークにおいて,ネットワークパラメータの最大推定値を得る。
論文参考訳（メタデータ） (2023-10-25T06:38:24Z)
Graph Neural Stochastic Differential Equations [3.568455515949288]
グラフニューラル微分方程式(Graph Neural Differential Equations: Graph Neural SDEs)を提案する。この手法は、ブラウン運動を用いたデータ表現にランダム性を埋め込むことにより、グラフニューラル正規微分方程式(Graph Neural Ordinary Differential Equations, Graph Neural ODEs)を強化する。我々は、グラフ畳み込みネットワークやグラフニューラルODEといった従来のモデル、特に信頼性予測において、潜在グラフニューラルSDEが超越していることを発見した。
論文参考訳（メタデータ） (2023-08-23T09:20:38Z)
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)
A deep learning approach to solve forward differential problems on graphs [6.756351172952362]
グラフ上の一次元非線形楕円・放物的・双曲的問題を解くための新しい深層学習手法を提案する。微分方程式の解法として物理インフォームドニューラルネットワーク(PINN)モデルを用いる。
論文参考訳（メタデータ） (2022-10-07T16:06:42Z)
De Bruijn goes Neural: Causality-Aware Graph Neural Networks for Time Series Data on Dynamic Graphs [1.2891210250935143]
動的グラフ上の時間分解データに対して,De Bruijn Graph Neural Networks (DBGNNs) を導入する。我々のアプローチは、動的グラフの因果トポロジに展開する時間的トポロジ的パターンを考慮に入れている。 DBGNNは動的グラフの時間パターンを利用することができ、教師付きノード分類タスクのパフォーマンスを大幅に改善する。
論文参考訳（メタデータ） (2022-09-17T10:54:00Z)
On the Robustness of Graph Neural Diffusion to Topology Perturbations [30.284359808863588]
グラフニューラルPDEは,他のGNNと比較して本質的にトポロジ的摂動に対して頑健であることを示す。本稿では,新しい堅牢なGNNを定義可能なグラフニューラルPDEフレームワークを提案する。
論文参考訳（メタデータ） (2022-09-16T07:19:35Z)
MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文参考訳（メタデータ） (2022-08-21T15:12:08Z)
Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
論文参考訳（メタデータ） (2022-05-20T02:50:15Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)

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。