論文の概要: Dynamic Localisation of Spatial-Temporal Graph Neural Network
- arxiv url: http://arxiv.org/abs/2501.04239v2
- Date: Thu, 09 Jan 2025 11:38:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 13:58:39.843064
- Title: Dynamic Localisation of Spatial-Temporal Graph Neural Network
- Title（参考訳）: 時空間グラフニューラルネットワークの動的局在化
- Authors: Wenying Duan, Shujun Guo, Wei huang, Hong Rao, Xiaoxi He,
- Abstract要約: 空間時空間グラフニューラルネットワーク(ASTGNN)は、依存関係をモデル化するための貴重なツールとして登場した。
本稿では,空間依存は時間とともに動的に進化するべきだという革新的な視点を紹介する。
textitDynAGSは、分散デプロイメントにおける効率性と精度の最大化を目的とした、ローカル化ASTGNNフレームワークである。
- 参考スコア（独自算出の注目度）: 8.257228815160849
- License:
- Abstract: Spatial-temporal data, fundamental to many intelligent applications, reveals dependencies indicating causal links between present measurements at specific locations and historical data at the same or other locations. Within this context, adaptive spatial-temporal graph neural networks (ASTGNNs) have emerged as valuable tools for modelling these dependencies, especially through a data-driven approach rather than pre-defined spatial graphs. While this approach offers higher accuracy, it presents increased computational demands. Addressing this challenge, this paper delves into the concept of localisation within ASTGNNs, introducing an innovative perspective that spatial dependencies should be dynamically evolving over time. We introduce \textit{DynAGS}, a localised ASTGNN framework aimed at maximising efficiency and accuracy in distributed deployment. This framework integrates dynamic localisation, time-evolving spatial graphs, and personalised localisation, all orchestrated around the Dynamic Graph Generator, a light-weighted central module leveraging cross attention. The central module can integrate historical information in a node-independent manner to enhance the feature representation of nodes at the current moment. This improved feature representation is then used to generate a dynamic sparse graph without the need for costly data exchanges, and it supports personalised localisation. Performance assessments across two core ASTGNN architectures and nine real-world datasets from various applications reveal that \textit{DynAGS} outshines current benchmarks, underscoring that the dynamic modelling of spatial dependencies can drastically improve model expressibility, flexibility, and system efficiency, especially in distributed settings.
- Abstract（参考訳）: 多くのインテリジェントなアプリケーションに基本となる時空間データは、特定の場所における現在の測定値と、同一または他の場所における歴史的なデータとの間の因果関係を示す依存関係を明らかにする。
この文脈の中で、適応時空間グラフニューラルネットワーク(ASTGNN)は、特に事前に定義された空間グラフではなく、データ駆動アプローチを通じて、これらの依存関係をモデル化するための貴重なツールとして登場した。
このアプローチは高い精度を提供するが、計算要求の増加を示す。
この課題に対処するために,本論文はASTGNN内の局所化の概念を掘り下げ,空間依存が時間とともに動的に進化していくという革新的な視点を導入する。
本稿では,分散デプロイメントにおける効率性と精度の最大化を目的とした,ローカル化ASTGNNフレームワークである‘textit{DynAGS} を紹介する。
このフレームワークは、動的ローカライゼーション、時間発展空間グラフ、パーソナライズされたローカライゼーションを統合する。
中央モジュールは、ノードに依存しない方法で履歴情報を統合して、現在のノードの特徴表現を強化することができる。
この改良された特徴表現は、コストのかかるデータ交換を必要とせずに動的スパースグラフを生成するために使用され、パーソナライズされたローカライゼーションをサポートする。
ASTGNNの2つのコアアーキテクチャと9つの実世界のデータセットのパフォーマンス評価は、特に分散環境でのモデル表現性、柔軟性、システム効率を劇的に向上させることができることを強調し、現在のベンチマークより優れていることを示している。
関連論文リスト
- DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-08-13T15:21:46Z) - FedASTA: Federated adaptive spatial-temporal attention for traffic flow prediction [30.346763969306398]
モバイルデバイスとIoT(Internet of Things)デバイスは、今日では大量の異種空間時間データを生成している。
プライバシーの懸念の下で空間的時間的ダイナミクスをモデル化することは依然として難しい問題である。
動的空間時間関係をモデル化するための新しいFedASTAフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-21T11:44:07Z) - Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。
提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-04T06:42:33Z) - 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) - Localised Adaptive Spatial-Temporal Graph Neural Network [17.707594255626216]
Adaptive Graph Sparsification (AGS) は、ASTGNNの局所化を極端に実現するグラフスカラー化アルゴリズムである。
ASTGNNの空間グラフは、テスト精度を低下させることなく99.5%以上のスペーサー化することができる。
ASTGNNの局所化は、大規模な時空間データに必要とされる重いオーバーヘッドを減らす可能性を秘めている。
論文 参考訳（メタデータ） (2023-06-12T08:08:53Z) - An Adaptive Federated Relevance Framework for Spatial Temporal Graph
Learning [14.353798949041698]
本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。
フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。
局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
論文 参考訳（メタデータ） (2022-06-07T16:12:17Z) - Positional Encoder Graph Neural Networks for Geographic Data [1.840220263320992]
グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。
本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
論文 参考訳（メタデータ） (2021-11-19T10:41:49Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳（メタデータ） (2021-09-08T18:10:08Z) - On the spatial attention in Spatio-Temporal Graph Convolutional Networks
for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。
最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文 参考訳（メタデータ） (2020-11-07T19:03:04Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Disentangling and Unifying Graph Convolutions for Skeleton-Based Action
Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。
これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-03-31T11:28:25Z)
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。