論文の概要: Enhancing Graph Neural Networks in Large-scale Traffic Incident Analysis with Concurrency Hypothesis

• arxiv url: http://arxiv.org/abs/2411.02542v1
• Date: Mon, 04 Nov 2024 19:22:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:33.562433
• Title: Enhancing Graph Neural Networks in Large-scale Traffic Incident Analysis with Concurrency Hypothesis
• Title（参考訳）: 並列仮説を用いた大規模交通事故解析におけるグラフニューラルネットワークの強化
• Authors: Xiwen Chen, Sayed Pedram Haeri Boroujeni, Xin Shu, Huayu Li, Abolfazl Razi,
• Abstract要約: 本稿では,交通インシデント予測タスクにおける一般グラフニューラルネットワーク(GNN)モデルの予測能力を高めるために,CP法を提案する。 提案手法により,GNNは仮説に示すような同時インシデント情報を,無視可能な余分なパラメータによるトークン化によって組み込むことができる。 米国内の州や都市にまたがる実世界のデータを活用する大規模な実験は、CPを12の最先端のGNNアーキテクチャに統合することで、大幅な改善をもたらすことを実証している。
• 参考スコア（独自算出の注目度）: 2.3379022809760763
• License:
• Abstract: Despite recent progress in reducing road fatalities, the persistently high rate of traffic-related deaths highlights the necessity for improved safety interventions. Leveraging large-scale graph-based nationwide road network data across 49 states in the USA, our study first posits the Concurrency Hypothesis from intuitive observations, suggesting a significant likelihood of incidents occurring at neighboring nodes within the road network. To quantify this phenomenon, we introduce two novel metrics, Average Neighbor Crash Density (ANCD) and Average Neighbor Crash Continuity (ANCC), and subsequently employ them in statistical tests to validate the hypothesis rigorously. Building upon this foundation, we propose the Concurrency Prior (CP) method, a powerful approach designed to enhance the predictive capabilities of general Graph Neural Network (GNN) models in semi-supervised traffic incident prediction tasks. Our method allows GNNs to incorporate concurrent incident information, as mentioned in the hypothesis, via tokenization with negligible extra parameters. The extensive experiments, utilizing real-world data across states and cities in the USA, demonstrate that integrating CP into 12 state-of-the-art GNN architectures leads to significant improvements, with gains ranging from 3% to 13% in F1 score and 1.3% to 9% in AUC metrics. The code is publicly available at https://github.com/xiwenc1/Incident-GNN-CP.
• Abstract（参考訳）: 近年の道路事故の減少にもかかわらず、交通事故による死亡率の上昇は、安全対策の改善の必要性を浮き彫りにしている。 米国49州にまたがる大規模グラフベースの全国道路網データを活用することで,まず直観的な観測から並行仮説を立証し,道路網内の隣接ノードで発生した事故の有意な可能性を示唆した。 この現象を定量化するために,平均近傍衝突密度 (ANCD) と平均近傍衝突連続度 (ANCC) という2つの新しい指標を導入し,その仮説を厳密に検証するために統計検査を行った。 この基礎の上に構築されたConcurrency Prior(CP)手法は,半教師付きトラフィックインシデント予測タスクにおける一般グラフニューラルネットワーク(GNN)モデルの予測能力を高めるために設計された強力な手法である。 提案手法により,GNNは仮説に示すような同時インシデント情報を,無視可能な余分なパラメータによるトークン化によって組み込むことができる。 米国内の州や都市にまたがる実世界のデータを活用する大規模な実験は、CPを12の最先端のGNNアーキテクチャに統合することで、F1スコアの3%から13%、AUCメトリクスの1.3%から9%という大きな改善をもたらすことを示した。 コードはhttps://github.com/xiwenc1/Incident-GNN-CPで公開されている。

関連論文リスト

• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
  Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。 本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
  論文  参考訳（メタデータ） (2023-09-10T16:35:47Z)
• Revisiting Random Forests in a Comparative Evaluation of Graph Convolutional Neural Network Variants for Traffic Prediction [15.248412426672694]
  グラフ畳み込みニューラルネットワーク(GCNN)が交通予測の文献において主流となっている。 本稿では,GCNN予測モデルの成功要素を分類し,その性能に及ぼす因子化,注意機構,体重共有の影響を解析する。
  論文  参考訳（メタデータ） (2023-05-30T00:50:51Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  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に基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• TAP: A Comprehensive Data Repository for Traffic Accident Prediction in Road Networks [36.975060335456035]
  既存の機械学習アプローチは、独立して交通事故を予測することに重点を置いている。 グラフ構造情報を組み込むには、グラフニューラルネットワーク(GNN)を自然に適用することができる。 GNNを事故予測問題に適用することは、適切なグラフ構造化交通事故データセットがないため、課題に直面します。
  論文  参考訳（メタデータ） (2023-04-17T22:18:58Z)
• Unveiling the potential of Graph Neural Networks for robust Intrusion Detection [2.21481607673149]
  本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。 我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
  論文  参考訳（メタデータ） (2021-07-30T16:56:39Z)
• Adversarial Diffusion Attacks on Graph-based Traffic Prediction Models [5.067859671505088]
  最近の研究では、逆攻撃下でのグラフネットワーク(CN)の脆弱性を明らかにしている。 本稿では、GCNに基づくトラフィック予測モデルの堅牢性を調べるための新しいタスクである拡散攻撃を提案する。 提案アルゴリズムは,様々なシナリオにおける敵の攻撃タスクにおいて高い効率を示す。
  論文  参考訳（メタデータ） (2021-04-19T14:57:25Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。