論文の概要: UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction
- arxiv url: http://arxiv.org/abs/2508.08551v1
- Date: Tue, 12 Aug 2025 01:40:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.269965
- Title: UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction
- Title（参考訳）: UQGNN:多変量時空間予測のためのグラフニューラルネットワークの不確かさの定量化
- Authors: Dahai Yu, Dingyi Zhuang, Lin Jiang, Rongchao Xu, Xinyue Ye, Yuheng Bu, Shenhao Wang, Guang Wang,
- Abstract要約: 既存のモデルは決定論的であり、不確実性を定量化せずに予測される平均値のみを予測する。
ニューラル化のためのUQGNNと呼ばれる不確かさを定量化したグラフネットワークを提案する。
UQGNNは、予測精度と不確実性定量化の両方において、最先端のベースラインを一貫して上回る。
- 参考スコア（独自算出の注目度）: 14.850660303030365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatiotemporal prediction plays a critical role in numerous real-world applications such as urban planning, transportation optimization, disaster response, and pandemic control. In recent years, researchers have made significant progress by developing advanced deep learning models for spatiotemporal prediction. However, most existing models are deterministic, i.e., predicting only the expected mean values without quantifying uncertainty, leading to potentially unreliable and inaccurate outcomes. While recent studies have introduced probabilistic models to quantify uncertainty, they typically focus on a single phenomenon (e.g., taxi, bike, crime, or traffic crashes), thereby neglecting the inherent correlations among heterogeneous urban phenomena. To address the research gap, we propose a novel Graph Neural Network with Uncertainty Quantification, termed UQGNN for multivariate spatiotemporal prediction. UQGNN introduces two key innovations: (i) an Interaction-aware Spatiotemporal Embedding Module that integrates a multivariate diffusion graph convolutional network and an interaction-aware temporal convolutional network to effectively capture complex spatial and temporal interaction patterns, and (ii) a multivariate probabilistic prediction module designed to estimate both expected mean values and associated uncertainties. Extensive experiments on four real-world multivariate spatiotemporal datasets from Shenzhen, New York City, and Chicago demonstrate that UQGNN consistently outperforms state-of-the-art baselines in both prediction accuracy and uncertainty quantification. For example, on the Shenzhen dataset, UQGNN achieves a 5% improvement in both prediction accuracy and uncertainty quantification.
- Abstract（参考訳）: 時空間予測は、都市計画、交通最適化、災害対応、パンデミックコントロールなど、多くの現実世界の応用において重要な役割を果たす。
近年,時空間予測のための先進的な深層学習モデルの開発によって大きな進歩を遂げている。
しかしながら、既存のほとんどのモデルは決定論的であり、すなわち、不確実性を定量化せずに期待される平均値のみを予測することで、潜在的に信頼性が低く不正確な結果をもたらす。
近年の研究では、不確実性を定量化するための確率モデルが導入されているが、一般的には1つの現象(例えば、タクシー、自転車、犯罪、交通事故など)に焦点を当てている。
研究ギャップに対処するために,多変量時空間予測のためのUQGNNと呼ばれる,不確かさを定量化したグラフニューラルネットワークを提案する。
UQGNNは2つの重要なイノベーションを紹介している。
(i)多変量拡散グラフ畳み込みネットワークと相互作用対応時空間畳み込みネットワークを統合し、複雑な空間的・時間的相互作用パターンを効果的に捉える対話対応時空間組込みモジュール
(2)予測平均値と関連する不確実性の両方を推定するために設計された多変量確率予測モジュール。
深セン、ニューヨーク、シカゴの4つの実世界の多変量時空間データセットに対する大規模な実験は、UQGNNが予測精度と不確実性定量化の両方において、常に最先端のベースラインを上回っていることを示した。
例えば、深センデータセットでは、UQGNNは予測精度と不確実性定量化の両方において5%の改善を実現している。
関連論文リスト
- Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach [55.43914153271912]
グラフニューラルネットワーク(GNN)は、グラフ構造とノード機能を統合することにより、グラフ表現学習に優れる。
既存のGNNでは、モデルの深さによって異なるクラス確率の不確実性を考慮することができず、現実のシナリオでは信頼できない、リスクの高い予測が生じる。
本稿では,信頼に値する予測を達成し,ノード分類精度を高め,誤予測のリスクを明らかにするために,新しいEvidence Fusing Graph Neural Network (EFGNN)を提案する。
論文 参考訳（メタデータ） (2025-06-16T03:59:38Z) - Uncertainty-Aware Crime Prediction With Spatial Temporal Multivariate Graph Neural Networks [12.027484258239824]
犯罪事件は、特に小さな地域や特定の期間内では、まばらである。
伝統的な時空間深層学習モデルは、しばしばこの空間性に苦しむ。
時空間多変量ゼロ拡張負二項グラフニューラルネットワーク(STMGNN-ZINB)という新しいアプローチを導入する。
論文 参考訳（メタデータ） (2024-08-08T03:25:41Z) - Uncertainty in Graph Neural Networks: A Survey [47.785948021510535]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文 参考訳（メタデータ） (2024-03-11T21:54:52Z) - Uncertainty Quantification of Spatiotemporal Travel Demand with
Probabilistic Graph Neural Networks [10.205514928390974]
近年の研究では、グラフニューラルネットワークによる旅行需要の予測精度が大幅に向上している。
本研究では,旅行需要の不確実性の定量化を目的とした確率的グラフニューラルネットワーク(Prob-GNN)の枠組みを提案する。
論文 参考訳（メタデータ） (2023-03-07T16:49:46Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。
本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。
粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
論文 参考訳（メタデータ） (2021-06-10T21:49:23Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。