Fugu-MT 論文翻訳(概要): Regularized Adaptive Graph Learning for Large-Scale Traffic Forecasting

論文の概要: Regularized Adaptive Graph Learning for Large-Scale Traffic Forecasting

arxiv url: http://arxiv.org/abs/2506.07179v1
Date: Sun, 08 Jun 2025 14:58:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-10 21:10:47.084361
Title: Regularized Adaptive Graph Learning for Large-Scale Traffic Forecasting
Title（参考訳）: 大規模交通予測のための正規化適応グラフ学習
Authors: Kaiqi Wu, Weiyang Kong, Sen Zhang, Yubao Liu, Zitong Chen,
Abstract要約: トラフィック予測のための正規化適応グラフ学習(RAG)モデルを提案する。 RAGLは予測精度の点で最先端の手法を一貫して上回り、競争力のある計算効率を示す。 4つの大規模実世界の交通データセットの実験により、RAGLは予測精度において最先端の手法を一貫して上回り、競争力のある計算効率を示すことが示された。
参考スコア（独自算出の注目度）: 5.212619320601785
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traffic prediction is a critical task in spatial-temporal forecasting with broad applications in travel planning and urban management. Adaptive graph convolution networks have emerged as mainstream solutions due to their ability to learn node embeddings in a data-driven manner and capture complex latent dependencies. However, existing adaptive graph learning methods for traffic forecasting often either ignore the regularization of node embeddings, which account for a significant proportion of model parameters, or face scalability issues from expensive graph convolution operations. To address these challenges, we propose a Regularized Adaptive Graph Learning (RAGL) model. First, we introduce a regularized adaptive graph learning framework that synergizes Stochastic Shared Embedding (SSE) and adaptive graph convolution via a residual difference mechanism, achieving both embedding regularization and noise suppression. Second, to ensure scalability on large road networks, we develop the Efficient Cosine Operator (ECO), which performs graph convolution based on the cosine similarity of regularized embeddings with linear time complexity. Extensive experiments on four large-scale real-world traffic datasets show that RAGL consistently outperforms state-of-the-art methods in terms of prediction accuracy and exhibits competitive computational efficiency.
Abstract（参考訳）: 交通予測は時空間予測において重要な課題であり、旅行計画や都市管理に広く応用されている。適応グラフ畳み込みネットワークは、ノードの埋め込みをデータ駆動方式で学習し、複雑な潜伏依存関係をキャプチャする能力によって、主流のソリューションとして登場した。しかし、既存の適応グラフ学習手法は、モデルパラメータのかなりの割合を占めるノード埋め込みの正規化を無視したり、高価なグラフ畳み込み操作によるスケーラビリティの問題に直面したりすることが多い。これらの課題に対処するために、正規化適応グラフ学習(RAGL)モデルを提案する。まず,SSE(Stochastic Shared Embedding)と適応グラフ畳み込み(Adaptive Graph Convolution)を残留差分機構により相乗化し,埋め込み正規化と雑音抑圧を両立させる正規化適応グラフ学習フレームワークを提案する。第2に,大規模道路網における拡張性を確保するため,線形時間複雑性を伴う正規化埋め込みのコサイン類似性に基づいてグラフ畳み込みを行うECO (Efficient Cosine Operator) を開発した。 4つの大規模実世界の交通データセットに対する大規模な実験により、RAGLは予測精度において最先端の手法を一貫して上回り、競争力のある計算効率を示すことが示された。

関連論文リスト

GraphSparseNet: a Novel Method for Large Scale Traffic Flow Prediction [4.857364765818477]
ディープラーニング、特にグラフNNによる最近の進歩は、複雑なダイナミクスによってこれらの予測の精度を大幅に向上させた。しかし、GraphSparseNetはモデル複雑さが指数関数的に増大しているため、依然として課題である。本稿では,GNNトラフィックベース予測モデルの精度とスケーラビリティを両立させる新しいフレームワークであるGraphSparseNetを紹介する。
論文参考訳（メタデータ） (2025-02-27T06:51:20Z)
T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文参考訳（メタデータ） (2023-03-22T06:35:08Z)
Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
論文参考訳（メタデータ） (2022-11-01T14:38:18Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。 PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-02-18T02:15:44Z)
SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。