論文の概要: Semi-decentralized Training of Spatio-Temporal Graph Neural Networks for Traffic Prediction
- arxiv url: http://arxiv.org/abs/2412.03188v1
- Date: Wed, 04 Dec 2024 10:20:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-05 15:09:10.879449
- Title: Semi-decentralized Training of Spatio-Temporal Graph Neural Networks for Traffic Prediction
- Title(参考訳): 交通予測のための時空間グラフニューラルネットワークの半分散学習
- Authors: Ivan Kralj, Lodovico Giaretta, Gordan Ježić, Ivana Podnar Žarko, Šarūnas Girdzijauskas,
- Abstract要約: スマートモビリティ領域における時空間グラフ時間ニューラルネットワーク(ST-GNN)のための半分散トレーニング手法を探索し,適応する。
センサを複数のクラウドレットに近接してグループ化するシミュレーションフレームワークを実装した。
半分散的なセットアップは、パフォーマンスメトリクスの集中的なアプローチと同等であることを示す。
- 参考スコア(独自算出の注目度): 0.15978270011184256
- License:
- Abstract: In smart mobility, large networks of geographically distributed sensors produce vast amounts of high-frequency spatio-temporal data that must be processed in real time to avoid major disruptions. Traditional centralized approaches are increasingly unsuitable to this task, as they struggle to scale with expanding sensor networks, and reliability issues in central components can easily affect the whole deployment. To address these challenges, we explore and adapt semi-decentralized training techniques for Spatio-Temporal Graph Neural Networks (ST-GNNs) in smart mobility domain. We implement a simulation framework where sensors are grouped by proximity into multiple cloudlets, each handling a subgraph of the traffic graph, fetching node features from other cloudlets to train its own local ST-GNN model, and exchanging model updates with other cloudlets to ensure consistency, enhancing scalability and removing reliance on a centralized aggregator. We perform extensive comparative evaluation of four different ST-GNN training setups -- centralized, traditional FL, server-free FL, and Gossip Learning -- on large-scale traffic datasets, the METR-LA and PeMS-BAY datasets, for short-, mid-, and long-term vehicle speed predictions. Experimental results show that semi-decentralized setups are comparable to centralized approaches in performance metrics, while offering advantages in terms of scalability and fault tolerance. In addition, we highlight often overlooked issues in existing literature for distributed ST-GNNs, such as the variation in model performance across different geographical areas due to region-specific traffic patterns, and the significant communication overhead and computational costs that arise from the large receptive field of GNNs, leading to substantial data transfers and increased computation of partial embeddings.
- Abstract(参考訳): スマートモビリティでは、地理的に分散されたセンサーの大規模なネットワークは、大規模な破壊を避けるためにリアルタイムに処理しなければならない大量の高周波時空間データを生成する。
従来の集中型アプローチは、センサーネットワークの拡大に苦慮しているため、このタスクには適さない傾向にある。
これらの課題に対処するため、スマートモビリティ領域における時空間グラフニューラルネットワーク(ST-GNN)の半分散トレーニング手法を探索し、適応する。
我々は,複数のクラウドレットに近接してセンサをグループ化するシミュレーションフレームワークを実装し,それぞれがトラフィックグラフのサブグラフを処理し,ノードの特徴を他のクラウドレットから取得し,独自のローカルST-GNNモデルをトレーニングし,モデルの更新を他のクラウドレットと交換することで,一貫性を確保し,スケーラビリティを向上し,集中集約型アグリゲータへの依存を取り除く。
大規模トラフィックデータセット, METR-LA と PeMS-BAY データセット, 短期, 中期, 長期の車両速度予測の4つのST-GNN トレーニングセットアップ – 集中型, 従来型 FL, サーバフリー FL, ゴシップ学習 – の比較検討を行った。
実験結果から,半分散セットアップは,スケーラビリティとフォールトトレランスという面でのアドバンテージを提供しながら,パフォーマンス指標の集中的なアプローチに匹敵することがわかった。
さらに,地域固有の交通パターンによって異なる地理的領域にまたがるモデル性能の変化や,GNNの大規模な受容領域から発生する通信オーバーヘッドや計算コストなど,分散ST-GNNの既存の文献で見落とされがちな問題に注目し,データ転送と部分埋め込みの計算量の増加につながった。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳(メタデータ) (2024-11-01T00:37:00Z) - Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳(メタデータ) (2024-01-25T07:28:22Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳(メタデータ) (2023-10-17T05:03:00Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - FLARE: Detection and Mitigation of Concept Drift for Federated Learning
based IoT Deployments [2.7776688429637466]
FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。
固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。
少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
論文 参考訳(メタデータ) (2023-05-15T10:09:07Z) - Semi-decentralized Inference in Heterogeneous Graph Neural Networks for
Traffic Demand Forecasting: An Edge-Computing Approach [35.0857568908058]
グラフニューラルネットワーク(GNN)は、タクシーの需要と供給を予測することを約束している。
本稿では,複数のクラウドレット,中規模ストレージ,計算装置を利用した半分散化手法を提案する。
また、タクシーレベルの需要と供給予測を改善するための異種GNN-LSTMアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-28T00:21:18Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention
Network for Traffic Forecasting [7.232141271583618]
非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。
SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。
実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
論文 参考訳(メタデータ) (2021-12-04T06:39:18Z) - Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。
特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。
複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
論文 参考訳(メタデータ) (2021-10-08T11:19:06Z) - Cross-Node Federated Graph Neural Network for Spatio-Temporal Data
Modeling [13.426382746638007]
本稿では,ノード間フェデレーション学習の制約下でのグラフニューラルネットワーク(GNN)に基づくアーキテクチャを提案する。
CNFGNNは、デバイス上の時間計算とサーバ上の空間力学を分離して動作する。
実験の結果, CNFGNNは, 帰納的および帰納的両方の学習環境において, 最高の予測性能が得られることがわかった。
論文 参考訳(メタデータ) (2021-06-09T17:12:43Z) - Decentralized Control with Graph Neural Networks [147.84766857793247]
分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。
GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。
分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
論文 参考訳(メタデータ) (2020-12-29T18:59:14Z)
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。