論文の概要: Sheaf Diffusion with Adaptive Local Structure for Spatio-Temporal Forecasting

• arxiv url: http://arxiv.org/abs/2604.11275v1
• Date: Mon, 13 Apr 2026 10:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.474099
• Title: Sheaf Diffusion with Adaptive Local Structure for Spatio-Temporal Forecasting
• Title（参考訳）: 時空間予測のための適応的局所構造をもつせん断拡散
• Authors: Abeer Mostafa, Raneen Younis, Zahra Ahmadi,
• Abstract要約: 本稿では,局所構造空間上の情報の流れを学習するために,せん断グラフニューラルネットワーク(ST-Sheaf GNN)を提案する。 局所構造をモデル化することにより、このフレームワークは深いGNNアーキテクチャにおける過密現象を効果的に緩和する。
• 参考スコア（独自算出の注目度）: 4.67724003380452
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spatio-temporal systems often exhibit highly heterogeneous and non-intuitive responses to localized disruptions, limiting the effectiveness of conventional message passing approaches in modeling higher-order interactions under local heterogeneity. This paper reformulates spatio-temporal forecasting as the problem of learning information flow over locally structured spaces, rather than propagating globally aligned node representations. We introduce a spatio-temporal sheaf diffusion graph neural network (ST-Sheaf GNN) that embeds graph topology into sheaf-theoretic vector spaces connected by learned linear restriction maps. Unlike prior work that relies on static or globally shared transformations, our model learns dynamic restriction maps that evolve over time and adapt to local spatio-temporal patterns to enable substantially more expressive interactions. By explicitly modeling latent local structure, the proposed framework efficiently mitigates the oversmoothing phenomenon in deep GNN architectures. We evaluate our framework on a diverse set of real-world spatio-temporal forecasting benchmarks spanning multiple domains. Experimental results demonstrate state-of-the-art performance, highlighting the effectiveness of sheaf-theoretic topological representations as a powerful foundation for spatio-temporal graph learning. The code is available at: https://anonymous.4open.science/r/ST-SheafGNN-6523/.
• Abstract（参考訳）: 時空間系は、局所的な破壊に対して非常に不均一で非直感的な応答を示し、局所的な不均一性の下での高次相互作用のモデル化における従来のメッセージパッシング手法の有効性を制限する。 本稿では,グローバルに整合したノード表現を伝播するのではなく,局所構造空間上の情報の流れを学習する問題として時空間予測を再構成する。 本稿では,学習された線形制限写像で連結されたせん断理論ベクトル空間にグラフトポロジを埋め込んだ時空間拡散グラフニューラルネットワーク(ST-Sheaf GNN)を提案する。 静的あるいはグローバルに共有される変換に依存する以前の作業とは異なり、我々のモデルは時間とともに進化し、より表現力のある相互作用を可能にするために、局所的な時空間パターンに適応する動的な制限マップを学習する。 遅延局所構造を明示的にモデル化することにより,提案手法は深部GNNアーキテクチャにおける過密現象を効果的に緩和する。 我々は,複数のドメインにまたがる実世界の時空間予測ベンチマークについて,フレームワークの評価を行った。 実験により,時空間グラフ学習の強力な基盤として,せん断理論トポロジカル表現の有効性が示された。 コードは、https://anonymous.4open.science/r/ST-SheafGNN-6523/で入手できる。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization [29.10084723132903]
  本稿では,時空間探索型パターン学習フレームワークSTRAPを提案する。 推論中、STRAPは現在の入力と類似性に基づいてライブラリから関連するパターンを検索し、プラグイン・アンド・プレイ・プロンプト機構を介してモデルに注入する。 複数の実世界のストリーミンググラフデータセットに対する実験によると、STRAPはSTOODタスクの最先端STGNNベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T06:11:05Z)
• 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)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• 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)
• Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
  S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。 このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
  論文  参考訳（メタデータ） (2022-02-25T10:02:49Z)
• 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)
• Conditional Local Filters with Explainers for Spatio-Temporal Forecasting [27.62110162024104]
  空間依存を捉えるために,新しいグラフに基づく有向畳み込みを提案する。 このフィルタは、時間ダイナミクスをモデル化するRecurrent Neural Network (RNN)アーキテクチャに埋め込まれている。 本手法は,道路網交通流,地表面温度と風速,病原体拡散データを含む実世界のデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-01-04T14:22:11Z)

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。