論文の概要: Over-squashing in Spatiotemporal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.15507v1
• Date: Wed, 18 Jun 2025 14:45:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.697732
• Title: Over-squashing in Spatiotemporal Graph Neural Networks
• Title（参考訳）: 時空間グラフニューラルネットワークにおけるオーバースカッシング
• Authors: Ivan Marisca, Jacob Bamberger, Cesare Alippi, Michael M. Bronstein,
• Abstract要約: グラフニューラルネットワーク(GNN)は、さまざまな領域で大きな成功を収めています。 近年の理論的進歩は、遠方のノードが情報を効果的に交換できないオーバー・スカッシングのような情報伝達の基本的な限界を明らかにしている。 時間的時間的GNNは、時間的接近よりも、時間的に離れた地点からの情報伝達が好ましいことを示す。 時空処理パラダイムと時空処理パラダイムのいずれかに従うアーキテクチャが、この現象の影響を等しく受けていることを証明する。
• 参考スコア（独自算出の注目度）: 36.45742156049148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have achieved remarkable success across various domains. However, recent theoretical advances have identified fundamental limitations in their information propagation capabilities, such as over-squashing, where distant nodes fail to effectively exchange information. While extensively studied in static contexts, this issue remains unexplored in Spatiotemporal GNNs (STGNNs), which process sequences associated with graph nodes. Nonetheless, the temporal dimension amplifies this challenge by increasing the information that must be propagated. In this work, we formalize the spatiotemporal over-squashing problem and demonstrate its distinct characteristics compared to the static case. Our analysis reveals that counterintuitively, convolutional STGNNs favor information propagation from points temporally distant rather than close in time. Moreover, we prove that architectures that follow either time-and-space or time-then-space processing paradigms are equally affected by this phenomenon, providing theoretical justification for computationally efficient implementations. We validate our findings on synthetic and real-world datasets, providing deeper insights into their operational dynamics and principled guidance for more effective designs.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、さまざまな領域で大きな成功を収めています。 しかし、近年の理論的進歩により、遠方のノードが情報を効果的に交換できないオーバースカッシングのような情報伝達能力の基本的な制限が特定されている。 静的な文脈では広く研究されているが、この問題はグラフノードに関連付けられたシーケンスを処理する時空間GNN(STGNN)では探索されていない。 それにもかかわらず、時間次元は伝播しなければならない情報を増やすことでこの課題を増幅する。 本研究では,時空間オーバーカッシング問題を定式化し,その特徴を静的ケースと比較した。 解析の結果,畳み込みSTGNNは時間的接近よりも時間的に離れた地点からの情報伝達を好んでいることが明らかとなった。 さらに、時間と空間の処理パラダイムと時間と空間の処理パラダイムのいずれかに従うアーキテクチャが、この現象に等しく影響されることを証明し、計算効率の良い実装の理論的正当化を提供する。 我々は、合成および実世界のデータセットに関する我々の研究結果を検証し、それらの操作力学の深い洞察とより効果的な設計のための原則化されたガイダンスを提供する。

関連論文リスト

• Mind the truncation gap: challenges of learning on dynamic graphs with recurrent architectures [10.434476078553786]
  連続時間動的グラフ(CTDG)は、機械学習(ML)アプローチに課題を提起する。 BPTT (Back Proagation-through-time) の短絡により, 1ホップ以上の依存関係の学習を制限できることが示されている。 我々はCTDGの重要性が増すにつれて、このギャップの理解と解決が不可欠であると主張する。
  論文  参考訳（メタデータ） (2024-12-30T16:07:41Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• DyExplainer: Explainable Dynamic Graph Neural Networks [37.16783248212211]
  我々は,動的グラフニューラルネットワーク(GNN)を高速に説明するための新しいアプローチであるDyExplainerを提案する。 DyExplainerは動的なGNNバックボーンをトレーニングし、各スナップショットでグラフの表現を抽出する。 また,事前指導型正規化を実現するために,コントラスト学習技術によるアプローチも強化する。
  論文  参考訳（メタデータ） (2023-10-25T05:26:33Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)

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。