論文の概要: Causal Adjacency Learning for Spatiotemporal Prediction Over Graphs
- arxiv url: http://arxiv.org/abs/2411.16142v1
- Date: Mon, 25 Nov 2024 07:05:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-26 14:24:00.314696
- Title: Causal Adjacency Learning for Spatiotemporal Prediction Over Graphs
- Title（参考訳）: グラフ上の時空間予測のための因果調整学習
- Authors: Zhaobin Mo, Qingyuan Liu, Baohua Yan, Longxiang Zhang, Xuan Di,
- Abstract要約: グラフ上の因果関係を発見するための因果関係学習(CAL)手法を提案する。
その結果,提案する隣接行列は因果関係を捉えることができることがわかった。
- 参考スコア（独自算出の注目度）: 7.688710241319341
- License:
- Abstract: Spatiotemporal prediction over graphs (STPG) is crucial for transportation systems. In existing STPG models, an adjacency matrix is an important component that captures the relations among nodes over graphs. However, most studies calculate the adjacency matrix by directly memorizing the data, such as distance- and correlation-based matrices. These adjacency matrices do not consider potential pattern shift for the test data, and may result in suboptimal performance if the test data has a different distribution from the training one. This issue is known as the Out-of-Distribution generalization problem. To address this issue, in this paper we propose a Causal Adjacency Learning (CAL) method to discover causal relations over graphs. The learned causal adjacency matrix is evaluated on a downstream spatiotemporal prediction task using real-world graph data. Results demonstrate that our proposed adjacency matrix can capture the causal relations, and using our learned adjacency matrix can enhance prediction performance on the OOD test data, even though causal learning is not conducted in the downstream task.
- Abstract（参考訳）: グラフの時空間予測(STPG)は交通システムにとって重要である。
既存のSTPGモデルでは、隣接行列はグラフ上のノード間の関係をキャプチャする重要なコンポーネントである。
しかし、ほとんどの研究では、距離や相関に基づく行列などのデータを直接記憶することで、隣接行列を計算する。
これらの隣接行列は、テストデータの潜在的なパターンシフトを考慮せず、テストデータがトレーニングデータとは異なる分布を持つ場合、最適以下の性能をもたらす可能性がある。
この問題はアウト・オブ・ディストリビューション一般化問題(Out-of-Distribution generalization problem)として知られている。
そこで本稿では,グラフ上の因果関係を発見するために,因果関係学習(Causal Adjacency Learning, CAL)手法を提案する。
実世界のグラフデータを用いて、下流時空間予測タスクにおいて、学習した因果関係行列を評価する。
その結果,提案した隣接行列は因果関係を捉えることができ,学習した隣接行列は下流タスクでは因果学習が行われなくても,OODテストデータ上での予測性能を向上させることができることがわかった。
関連論文リスト
- A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。
具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。
文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文 参考訳（メタデータ） (2024-10-25T02:39:56Z) - Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。
課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
論文 参考訳（メタデータ） (2024-05-30T10:49:22Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳（メタデータ） (2023-08-16T13:10:27Z) - Gradient-Based Spectral Embeddings of Random Dot Product Graphs [7.612218105739107]
本稿では,RDPG (Random Dot Product Graph) の組込み問題の解法について述べる。
そこで我々は, 結果の多様体に対して, 実現可能な新しい最適化手法を開発した。
当社のオープンソースアルゴリズムの実装はスケーラブルで、エッジデータに欠ける堅牢さと異なり、ストリーミンググラフからゆっくりと、潜伏した位置を追跡することができます。
論文 参考訳（メタデータ） (2023-07-25T21:09:55Z) - Extended Graph Assessment Metrics for Graph Neural Networks [13.49677006107642]
回帰タスクと連続隣接行列のための拡張グラフアセスメントメトリクス(GAM)を導入する。
異なる医学集団グラフと異なる学習環境下で、これらの指標とモデル性能の相関関係を示す。
論文 参考訳（メタデータ） (2023-07-13T13:55:57Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - Learnable Graph-regularization for Matrix Decomposition [5.9394103049943485]
本稿では,行列分解のための学習可能なグラフ正規化モデルを提案する。
グラフ正規化法と確率行列分解モデルの間のブリッジを構築する。
スパース精度行列推定により、2つのグラフィカル構造をリアルタイムで反復的に学習する。
論文 参考訳（メタデータ） (2020-10-16T17:12:39Z) - Out-of-Sample Representation Learning for Multi-Relational Graphs [8.956321788625894]
非分散知識グラフに対するアウトオブサンプル表現学習問題について検討する。
このタスクのためのベンチマークデータセットを作成し、いくつかのモデルとベースラインを開発し、提案したモデルとベースラインの実証分析と比較を提供する。
論文 参考訳（メタデータ） (2020-04-28T00:53:01Z) - Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。
本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。
いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文 参考訳（メタデータ） (2020-03-10T02:33:14Z)
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。