論文の概要: PruneGCRN: Minimizing and explaining spatio-temporal problems through node pruning

• arxiv url: http://arxiv.org/abs/2510.10803v1
• Date: Sun, 12 Oct 2025 20:40:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.114019
• Title: PruneGCRN: Minimizing and explaining spatio-temporal problems through node pruning
• Title（参考訳）: PruneGCRN:ノードプルーニングによる時空間問題の最小化と説明
• Authors: Javier García-Sigüenza, Mirco Nanni, Faraón Llorens-Largo, José F. Vicent,
• Abstract要約: グラフ学習プロセスからノードを除去できる最適化プルーニング機構を統合したモデルを提案する。 トレーニング中、モデルは最も関連するノードのサブセットを検索し、問題の最も重要な要素を取得する。 実験により,本手法は,グラフのサイズが小さくなるにつれて,より多くの情報を保持することができることが示された。
• 参考スコア（独自算出の注目度）: 0.8574682463936006
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work addresses the challenge of using a deep learning model to prune graphs and the ability of this method to integrate explainability into spatio-temporal problems through a new approach. Instead of applying explainability to the model's behavior, we seek to gain a better understanding of the problem itself. To this end, we propose a novel model that integrates an optimized pruning mechanism capable of removing nodes from the graph during the training process, rather than doing so as a separate procedure. This integration allows the architecture to learn how to minimize prediction error while selecting the most relevant nodes. Thus, during training, the model searches for the most relevant subset of nodes, obtaining the most important elements of the problem, facilitating its analysis. To evaluate the proposed approach, we used several widely used traffic datasets, comparing the accuracy obtained by pruning with the model and with other methods. The experiments demonstrate that our method is capable of retaining a greater amount of information as the graph reduces in size compared to the other methods used. These results highlight the potential of pruning as a tool for developing models capable of simplifying spatio-temporal problems, thereby obtaining their most important elements.
• Abstract（参考訳）: 本研究は,グラフ作成に深層学習モデルを用いることの課題と,新たなアプローチを通じて時空間問題に説明可能性を統合する能力に対処する。 モデルの振る舞いに説明可能性を適用する代わりに、私たちは問題自体をよりよく理解しようとします。 そこで本研究では,学習プロセス中にグラフからノードを除去できる最適化プルーニング機構を統合した新しいモデルを提案する。 この統合により、アーキテクチャは最も関連するノードを選択しながら予測エラーを最小限にする方法を学ぶことができる。 したがって、トレーニング中、モデルは最も関連するノードのサブセットを探索し、問題の最も重要な要素を取得し、その分析を容易にする。 提案手法を評価するために,提案手法の精度をモデルや他の手法と比較し,広く利用されているトラフィックデータセットを用いた。 実験により,本手法は,グラフが使用する他の手法と比較して,サイズが小さくなるにつれて,より多くの情報を保持することができることを示した。 これらの結果は、時空間問題を単純化し、それによって最も重要な要素を得ることのできるモデルを開発するためのツールとして、プルーニングの可能性を強調している。

関連論文リスト

• Offline Learning and Forgetting for Reasoning with Large Language Models [23.384882158333156]
  本稿では,未完成かつ失敗に終わった推論経路を微調整することで,検索機能をモデルに直接統合する効果的な手法を提案する。 挑戦的なGame-of-24とCountdown推論ベンチマークの実験では、CoT生成データをオフラインの微調整のために検索生成データに置き換えることで、推論時検索ベースラインよりも約23%成功率を向上させることが示されている。 私たちの学習と忘れは、教師付き微調整と嗜好に基づく方法の両方で一貫して優れています。
  論文  参考訳（メタデータ） (2025-04-15T16:30:02Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
  本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。 提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
  論文  参考訳（メタデータ） (2022-06-01T10:35:29Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Gaussian Graphical Model Selection for Huge Data via Minipatch Learning [1.2891210250935146]
  グラフィカルモデル選択の問題を解決するために,MPGraph (Minipatch Graph) 推定器を提案する。 MPGraphは、観測とノードの両方の小さなランダムなサブセットに適合する閾値グラフ推定器の一般化である。 本アルゴリズムは有限サンプルグラフ選択の整合性を実現する。
  論文  参考訳（メタデータ） (2021-10-22T21:06:48Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• Meta Cyclical Annealing Schedule: A Simple Approach to Avoiding Meta-Amortization Error [50.83356836818667]
  循環型アニーリングスケジュールとMMD基準を用いた新しいメタレギュラー化目標を構築した。 実験の結果,本手法は標準的なメタ学習アルゴリズムよりもかなり優れていることがわかった。
  論文  参考訳（メタデータ） (2020-03-04T04:43:16Z)

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。