論文の概要: Interpretable Graph Learning Over Sets of Temporally-Sparse Data

• arxiv url: http://arxiv.org/abs/2505.19193v2
• Date: Fri, 30 May 2025 22:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-03 13:48:29.978274
• Title: Interpretable Graph Learning Over Sets of Temporally-Sparse Data
• Title（参考訳）: 時空間データの集合上の解釈可能なグラフ学習
• Authors: Andrea Zerio, Maya Bechler-Speicher, Maor Huri, Marie Vibeke Vestergaard, Ran Gilad-Bachrach, Tine Jess, Samir Bhatt, Aleksejs Sazonovs,
• Abstract要約: 本稿では,不規則な時間信号の集合を学習するための新規かつ解釈可能なモデルであるグラフ混合付加ネットワーク(GMAN)を提案する。 本手法は, 病院内死亡予測のAUROCスコアが4ポイント上昇するなど, 現実的な医療課題における最先端性を実現する。 ノードレベル、グラフレベル、サブセットレベルの重要度を含むその解釈能力が、移行フェーズの検出と医学的洞察の獲得を可能にしていることを実証する。
• 参考スコア（独自算出の注目度）: 3.909781462298589
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world medical data often includes measurements from multiple signals that are collected at irregular and asynchronous time intervals. For example, different types of blood tests can be measured at different times and frequencies, resulting in fragmented and unevenly scattered temporal data. Similar issues of irregular sampling of different attributes occur in other domains, such as monitoring of large systems using event log files or the spread of fake news on social networks. Effectively learning from such data requires models that can handle sets of temporally sparse and heterogeneous signals. In this paper, we propose Graph Mixing Additive Networks (GMAN), a novel and interpretable-by-design model for learning over irregular sets of temporal signals. Our method achieves state-of-the-art performance in real-world medical tasks, including a 4-point increase in the AUROC score of in-hospital mortality prediction, compared to existing methods. We further showcase GMAN's flexibility by applying it to a fake news detection task. We demonstrate how its interpretability capabilities, including node-level, graph-level, and subset-level importance, allow for transition phases detection and gaining medical insights with real-world high-stakes implications. Finally, we provide theoretical insights on GMAN expressive power.
• Abstract（参考訳）: 実世界の医療データは、不規則かつ非同期な時間間隔で収集される複数の信号から測定されることが多い。 例えば、異なるタイプの血液検査は、異なる時間と周波数で測定することができ、断片化され、不均一に散らばった時間データをもたらす。 イベントログファイルを使用した大規模システムの監視や、ソーシャルネットワーク上でのフェイクニュースの拡散など、さまざまな属性を不規則にサンプリングするという同様の問題が発生する。 このようなデータから効果的に学習するには、時間的にスパースで不均一な信号の集合を処理できるモデルが必要である。 本稿では,不規則な時間信号の集合を学習するための新規かつ解釈可能な設計モデルであるグラフ混合付加ネットワーク(GMAN)を提案する。 本手法は, 病院内死亡予測のAUROCスコアの4ポイント増加を含む, 現実的な医療課題における最先端性を実現する。 さらに、偽ニュース検出タスクに適用することで、GMANの柔軟性を示す。 我々は,ノードレベル,グラフレベル,サブセットレベルといった解釈可能性の能力によって,遷移段階の検出や,現実世界のハイリスクな影響による医学的洞察の獲得が可能になることを実証する。 最後に,GMAN表現力に関する理論的知見を提供する。

関連論文リスト

• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Coupled Attention Networks for Multivariate Time Series Anomaly Detection [10.620044922371177]
  多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。 センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
  論文  参考訳（メタデータ） (2023-06-12T13:42:56Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• Latent Temporal Flows for Multivariate Analysis of Wearables Data [0.9990687944474738]
  本稿では,この設定に適した時系列の多変量モデリング手法であるLatent Temporal Flowsを紹介する。 提案手法は,マルチステップ予測ベンチマークにおいて常に最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-14T02:54:34Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)
• A complex network approach to time series analysis with application in diagnosis of neuromuscular disorders [1.9659095632676098]
  本稿では,既存手法の限られた精度を克服するために,GraphTSというネットワーク開発手法を提案する。 この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。 結果として得られるネットワークは、健康なサンプルと患者のサンプルを区別することができる。
  論文  参考訳（メタデータ） (2021-08-16T06:44:48Z)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)

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。