論文の概要: Small Graph Is All You Need: DeepStateGNN for Scalable Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2502.14525v1
- Date: Thu, 20 Feb 2025 13:00:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:29:03.067986
- Title: Small Graph Is All You Need: DeepStateGNN for Scalable Traffic Forecasting
- Title（参考訳）: 必要最小限のグラフ:スケーラブルなトラフィック予測のためのDeepStateGNN
- Authors: Yannick Wölker, Arash Hajisafi, Cyrus Shahabi, Matthias Renz,
- Abstract要約: 本稿では,トラフィックデータを解析するための新しいグラフニューラルネットワーク(GNN)モデルであるDeepStateGNNを提案する。
個々のトラフィックセンサを個々のグラフノードとして扱う一般的なGNNメソッドとは異なり、DeepStateGNNはセンサーを高レベルのグラフノードにクラスタする。
実験の結果、DeepStateGNNは優れたスケーラビリティと高速なトレーニングを提供すると同時に、競合他社よりも正確な結果を提供することがわかった。
- 参考スコア（独自算出の注目度）: 6.714751340563299
- License:
- Abstract: We propose a novel Graph Neural Network (GNN) model, named DeepStateGNN, for analyzing traffic data, demonstrating its efficacy in two critical tasks: forecasting and reconstruction. Unlike typical GNN methods that treat each traffic sensor as an individual graph node, DeepStateGNN clusters sensors into higher-level graph nodes, dubbed Deep State Nodes, based on various similarity criteria, resulting in a fixed number of nodes in a Deep State graph. The term "Deep State" nodes is a play on words, referencing hidden networks of power that, like these nodes, secretly govern traffic independently of visible sensors. These Deep State Nodes are defined by several similarity factors, including spatial proximity (e.g., sensors located nearby in the road network), functional similarity (e.g., sensors on similar types of freeways), and behavioral similarity under specific conditions (e.g., traffic behavior during rain). This clustering approach allows for dynamic and adaptive node grouping, as sensors can belong to multiple clusters and clusters may evolve over time. Our experimental results show that DeepStateGNN offers superior scalability and faster training, while also delivering more accurate results than competitors. It effectively handles large-scale sensor networks, outperforming other methods in both traffic forecasting and reconstruction accuracy.
- Abstract（参考訳）: 本稿では,トラフィックデータ解析のための新しいグラフニューラルネットワーク(GNN)モデル,DeepStateGNNを提案する。
個々のトラフィックセンサを個々のグラフノードとして扱う一般的なGNNメソッドとは異なり、DeepStateGNNは、さまざまな類似性基準に基づいて、Deep State Nodesと呼ばれる高レベルのグラフノードにセンサをクラスタする。
ディープステート(Deep State)"ノードという用語は言葉の遊びであり、これらのノードと同様に、視覚センサーとは独立してトラフィックを秘密裏に管理する、隠れたネットワークの電力を参照する。
これらのDeep State Nodesは、空間的近接性(例えば、道路ネットワークの近くにあるセンサー)、機能的類似性(例えば、同様のフリーウェイのセンサー)、特定の条件下での行動的類似性(例えば、雨時の交通行動)など、いくつかの類似性要因によって定義される。
このクラスタリングアプローチは、センサーが複数のクラスタに属し、時間とともにクラスタが進化する可能性があるため、動的で適応的なノードグループ化を可能にする。
実験の結果、DeepStateGNNは優れたスケーラビリティと高速なトレーニングを提供すると同時に、競合他社よりも正確な結果を提供することがわかった。
大規模なセンサネットワークを効果的に処理し、トラフィック予測と再構築精度の両方で他の手法よりも優れている。
関連論文リスト
- Edge Conditional Node Update Graph Neural Network for Multi-variate Time
Series Anomaly Detection [35.299242563565315]
エッジ条件付きノード更新グラフニューラルネットワーク(ECNU-GNN)を導入する。
我々のモデルはエッジ条件付きノード更新モジュールを備えており、接続されたエッジに基づいてソースノード表現を動的に変換し、ターゲットノードを適切に表現する。
実世界の3つのデータセット(SWaT, WADI, PSM)の性能を検証した。
論文 参考訳（メタデータ） (2024-01-25T00:47:44Z) - The Snowflake Hypothesis: Training Deep GNN with One Node One Receptive
field [39.679151680622375]
一つのノード、一つの受容場の概念を支える新しいパラダイムである「雪の結晶仮説」を紹介します。
最も単純な勾配とノードレベルの余弦距離を、各ノードの集約深さを調節する指針として採用する。
観測結果は,我々の仮説がタスクの普遍演算子として機能できることを実証した。
論文 参考訳（メタデータ） (2023-08-19T15:21:12Z) - LSGNN: Towards General Graph Neural Network in Node Classification by
Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。
そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。
提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文 参考訳（メタデータ） (2023-05-07T09:06:11Z) - Position-based Hash Embeddings For Scaling Graph Neural Networks [8.87527266373087]
グラフニューラルネットワーク(GNN)は、ノードのエゴネットワークのトポロジとエゴネットワークのノードの特徴を考慮したノード表現を演算する。
ノードが高品質な機能を持っていない場合、GNNはノードの埋め込みを計算するために埋め込み層を学び、それらを入力機能として使用する。
この埋め込みレイヤに関連するメモリを削減するため、NLPやレコメンダシステムのようなアプリケーションで一般的に使用されるハッシュベースのアプローチが利用可能である。
本稿では,グラフ内のノードの位置を利用して,必要なメモリを大幅に削減する手法を提案する。
論文 参考訳（メタデータ） (2021-08-31T22:42:25Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳（メタデータ） (2020-08-31T23:15:40Z) - GraphReach: Position-Aware Graph Neural Network using Reachability
Estimations [12.640837452980332]
GraphReachは位置認識型誘導型GNNで、到達可能性推定を通じてノードのグローバルな位置をキャプチャする。
このアンカー選択問題はNPハードであることが示され、結果としてグリーディ(1-1/e)近似が展開される。
最先端のGNNアーキテクチャに対する実証的な評価は、GraphReachが正確性において最大40%の相対的な改善を提供することを示している。
論文 参考訳（メタデータ） (2020-08-19T14:30:03Z) - Towards Deeper Graph Neural Networks with Differentiable Group
Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。
オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。
2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文 参考訳（メタデータ） (2020-06-12T07:18:02Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳（メタデータ） (2020-01-21T15:51:17Z)
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。