論文の概要: diffIRM: A Diffusion-Augmented Invariant Risk Minimization Framework for Spatiotemporal Prediction over Graphs

• arxiv url: http://arxiv.org/abs/2501.00305v1
• Date: Tue, 31 Dec 2024 06:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:13:11.527611
• Title: diffIRM: A Diffusion-Augmented Invariant Risk Minimization Framework for Spatiotemporal Prediction over Graphs
• Title（参考訳）: diffIRM:グラフ上の時空間予測のための拡散拡大不変リスク最小化フレームワーク
• Authors: Zhaobin Mo, Haotian Xiang, Xuan Di,
• Abstract要約: 実世界のデータは、アウト・オブ・ディストリビューション(OOD)問題に悩まされるため、グラフ(GSTP)に対する時間的予測は困難である。 本研究では,これらの2つの原則を組み合わせた拡散増強型不変リスク最小化(diffIRM)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.677219861416146
• License:
• Abstract: Spatiotemporal prediction over graphs (STPG) is challenging, because real-world data suffers from the Out-of-Distribution (OOD) generalization problem, where test data follow different distributions from training ones. To address this issue, Invariant Risk Minimization (IRM) has emerged as a promising approach for learning invariant representations across different environments. However, IRM and its variants are originally designed for Euclidean data like images, and may not generalize well to graph-structure data such as spatiotemporal graphs due to spatial correlations in graphs. To overcome the challenge posed by graph-structure data, the existing graph OOD methods adhere to the principles of invariance existence, or environment diversity. However, there is little research that combines both principles in the STPG problem. A combination of the two is crucial for efficiently distinguishing between invariant features and spurious ones. In this study, we fill in this research gap and propose a diffusion-augmented invariant risk minimization (diffIRM) framework that combines these two principles for the STPG problem. Our diffIRM contains two processes: i) data augmentation and ii) invariant learning. In the data augmentation process, a causal mask generator identifies causal features and a graph-based diffusion model acts as an environment augmentor to generate augmented spatiotemporal graph data. In the invariant learning process, an invariance penalty is designed using the augmented data, and then serves as a regularizer for training the spatiotemporal prediction model. The real-world experiment uses three human mobility datasets, i.e. SafeGraph, PeMS04, and PeMS08. Our proposed diffIRM outperforms baselines.
• Abstract（参考訳）: 実世界のデータは、テストデータがトレーニングデータとは異なる分布に従うOOD(Out-of-Distribution)一般化問題に苦しむため、グラフ(STPG)上の時空間予測は困難である。 この問題に対処するために、不変リスク最小化(IRM)は、異なる環境における不変表現を学習するための有望なアプローチとして登場した。 しかし、IRMとその変種はもともと画像のようなユークリッドデータのために設計されており、グラフの空間的相関による時空間グラフのようなグラフ構造データにはうまく適用できない。 グラフ構造データによって引き起こされる課題を克服するために、既存のグラフOOD法は、不変性や環境多様性の原則に準拠している。 しかし、STPG問題における両方の原則を組み合わせる研究はほとんどない。 この2つの組み合わせは、不変特徴と急激な特徴を効率的に区別するために重要である。 本研究では,本研究のギャップを埋め,STPG問題に対するこれらの2つの原則を組み合わせた拡散拡大不変リスク最小化(diffIRM)フレームワークを提案する。 私たちのdiffIRMには2つのプロセスがあります。 i) データ拡張及び 二 不変学習 データ拡張プロセスにおいて、因果マスク生成装置は因果の特徴を識別し、グラフベースの拡散モデルが環境拡張器として機能し、拡張時空間グラフデータを生成する。 不変学習プロセスでは、拡張データを用いて不変ペナルティを設計し、時空間予測モデルをトレーニングするための正規化器として機能する。 実際の実験では、SafeGraph、PeMS04、PeMS08という3つの人間のモビリティデータセットを使用している。 提案するdiffIRMはベースラインを上回ります。

関連論文リスト

• Generative Risk Minimization for Out-of-Distribution Generalization on Graphs [71.48583448654522]
  本稿では,抽出ではなく,各入力グラフの不変部分グラフを生成するために,GRM (Generative Risk Minimization) という革新的なフレームワークを提案する。 我々は,ノードレベルのOOD一般化とグラフレベルのOOD一般化のために,さまざまな実世界のグラフデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2025-02-11T21:24:13Z)
• Invariant Graph Learning Meets Information Bottleneck for Out-of-Distribution Generalization [9.116601683256317]
  本研究では,情報ボトルネック理論に基づく不変グラフ学習(Invariant Graph Learning)という新しいフレームワークを提案する。 具体的には,環境要因に関連するタスク関連情報を圧縮する冗長フィルタを提案する。 合成と実世界の両方のデータセットを用いた実験により,OODの一般化による最先端性能の実現が実証された。
  論文  参考訳（メタデータ） (2024-08-03T07:38:04Z)
• Empowering Graph Invariance Learning with Deep Spurious Infomax [27.53568333416706]
  本稿では,頑健かつ一般的な帰納バイアスを誘発する新しいグラフ不変性学習パラダイムを提案する。 EQuADは、合成データセットにおける様々なバイアスの度合いにまたがって安定したパフォーマンスを示し、実世界のデータセットに最大311.76%の価格で挑戦する。
  論文  参考訳（メタデータ） (2024-07-13T14:18:47Z)
• Does Invariant Graph Learning via Environment Augmentation Learn Invariance? [39.08988313527199]
  不変グラフ表現学習は、グラフの分布外一般化のために異なる環境からデータ間の不変性を学習することを目的としている。 我々は,不変グラフ学習のための変分十分性や変分整合性を含む,最小限の仮定のセットを開発する。 我々は,最大不変部分グラフをプロキシ予測に抽出することにより,OODの一般化を成功させるために,基礎となる不変部分グラフを確実に同定することを示す。
  論文  参考訳（メタデータ） (2023-10-29T14:57:37Z)
• 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)
• Unleashing the Power of Graph Data Augmentation on Covariate Distribution Shift [50.98086766507025]
  本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。 AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-05T07:55:55Z)
• Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
  グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。 OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。 コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-11T04:38:39Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)

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。