論文の概要: Metalearning traffic assignment for network disruptions with graph convolutional neural networks
- arxiv url: http://arxiv.org/abs/2603.06763v1
- Date: Fri, 06 Mar 2026 14:35:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:13.096392
- Title: Metalearning traffic assignment for network disruptions with graph convolutional neural networks
- Title（参考訳）: グラフ畳み込みニューラルネットワークを用いたネットワーク破壊のためのメタラーニングトラフィック割り当て
- Authors: Serio Agriesti, Guido Cantelmo, Francisco Camara Pereira,
- Abstract要約: OD行列からトラフィックフローを推定するための機械学習モデルを構築するには、トレーニングプロセスの適切な設計と、複数のレシエーションとダイナミックスにまたがるトレーニングデータセットが必要である。
我々は、学習モデル(グラフ畳み込みニューラルネットワーク)とメタラーニングアーキテクチャを組み合わせて、前者をトレーニングし、新しいグラフ構造や需要パターンに迅速に適応させる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building machine-learning models for estimating traffic flows from OD matrices requires an appropriate design of the training process and a training dataset spanning over multiple regimes and dynamics. As machine-learning models rely heavily on historical data, their predictions are typically accurate only when future traffic patterns resemble those observed during training. However, their performance often degrades when there is a significant statistical discrepancy between historical and future conditions. This issue is particularly relevant in traffic forecasting when predictions are required for modified versions of the network, where the underlying graph structure changes due to events such as maintenance, public demonstrations, flooding, or other extreme disruptions. Ironically, these are precisely the situations in which reliable traffic predictions are most needed. In the presented work, we combine a machine-learning model (graph convolutional neural network) with a meta-learning architecture to train the former to quickly adapt to new graph structures and demand patterns, so that it may easily be applied to scenarios in which changes in the road network (the graph) and the demand (the node features) happen simultaneously. Our results show that the use of meta-learning allows the graph neural network to quickly adapt to unseen graphs (network closures) and OD matrixes while easing the burden of designing a training dataset that covers all relevant patterns for the practitioners. The proposed architecture achieves a R^2 of around 0.85 over unseen closures and OD matrixes.
- Abstract（参考訳）: OD行列からトラフィックフローを推定するための機械学習モデルを構築するには、トレーニングプロセスの適切な設計と、複数のレシエーションとダイナミックスにまたがるトレーニングデータセットが必要である。
機械学習モデルは歴史的データに大きく依存しているため、その予測は通常、将来の交通パターンがトレーニング中に観察されたものと似ている場合にのみ正確である。
しかし、その性能は、歴史的状況と将来の状況の間に有意な統計上の相違があるときに劣化することが多い。
この問題は、メンテナンス、公開デモ、洪水、その他の極端な破壊などのイベントによって、基盤となるグラフ構造が変化するネットワークの修正版に予測が必要な場合のトラフィック予測に特に関係している。
皮肉なことに、これらは信頼性の高い交通予測が最も必要とされる状況である。
提案した研究では,機械学習モデル(グラフ畳み込みニューラルネットワーク)とメタラーニングアーキテクチャを組み合わせることで,前者が新しいグラフ構造や需要パターンに迅速に適応できるようにトレーニングし,ロードネットワーク(グラフ)と需要(ノード特徴)が同時に発生するシナリオに容易に適用することができる。
メタラーニングを用いることで、グラフニューラルネットワークは、未確認のグラフ(ネットワーククロージャ)やODマトリックスに迅速に適応できると同時に、実践者に関連するすべてのパターンをカバーするトレーニングデータセットを設計する作業の負担を軽減できることを示す。
提案したアーキテクチャは、目に見えない閉包とOD行列に対して約0.85のR^2を達成する。
関連論文リスト
- NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳（メタデータ） (2024-12-30T00:47:49Z) - Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。
本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。
提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
論文 参考訳（メタデータ） (2024-08-22T22:50:46Z) - Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。
提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
論文 参考訳（メタデータ） (2024-05-23T10:26:18Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - Few-Shot Traffic Prediction with Graph Networks using Locale as
Relational Inductive Biases [7.173242326298134]
多くの都市では、データ収集費用のため、利用可能なトラフィックデータの量は、最低限の要件以下である。
本稿では,グラフネットワーク(GN)に基づく深層学習モデルであるLocaleGnを開発した。
また、LocaleGnから学んだ知識が都市間で伝達可能であることも実証された。
論文 参考訳（メタデータ） (2022-03-08T09:46:50Z) - 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) - Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting [47.19400232038575]
ノード固有のパターンの学習は、事前に定義されたグラフが避けられる間、トラフィック予測に不可欠である、と我々は主張する。
本稿では,新たな機能を備えたグラフ・コンパス・ネットワーク(GCN)の拡張のための2つの適応モジュールを提案する。
実世界の2つの交通データセットに対する実験により、AGCRNは空間接続に関する事前定義されたグラフを使わずに、かなりのマージンで最先端の性能を示した。
論文 参考訳（メタデータ） (2020-07-06T15:51:10Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z)
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。