論文の概要: Modern Structure-Aware Simplicial Spatiotemporal Neural Network

• arxiv url: http://arxiv.org/abs/2604.15833v1
• Date: Fri, 17 Apr 2026 08:35:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.829134
• Title: Modern Structure-Aware Simplicial Spatiotemporal Neural Network
• Title（参考訳）: 現代構造を考慮した単純時空間ニューラルネットワーク
• Authors: Zhaobo Hu, Vincent Gauthier, Mehdi Naima,
• Abstract要約: 現代構造を考慮した単純テンポラルニューラルネットワーク(Modern SST)について 現代のSSTは、時間的モデリングのための単純な複雑な構造を利用するための最初のアプローチである。 提案手法では,高次元simplicial complex上での時間的ランダムウォークを用い,高次トポロジカル構造を捉えるために並列Sテンポラル・コンゾナブル・ネットワークを統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatiotemporal modeling has evolved beyond simple time series analysis to become fundamental in structural time series analysis. While current research extensively employs graph neural networks (GNNs) for spatial feature extraction with notable success, these networks are limited to capturing only pairwise relationships, despite real-world networks containing richer topological relationships. Additionally, GNN-based models face computational challenges that scale with graph complexity, limiting their applicability to large networks. To address these limitations, we present Modern Structure-Aware Simplicial SpatioTemporal neural network (ModernSASST), the first approach to leverage simplicial complex structures for spatiotemporal modeling. Our method employs spatiotemporal random walks on high-dimensional simplicial complexes and integrates parallelizable Temporal Convolutional Networks to capture high-order topological structures while maintaining computational efficiency. Our source code is publicly available on GitHub\footnote{Code is available at: https://github.com/ComplexNetTSP/ST_RUM.
• Abstract（参考訳）: 時空間モデリングは単純な時系列解析を超えて進化し、構造時系列解析において基礎となる。 現在の研究では、空間的特徴抽出にグラフニューラルネットワーク(GNN)が広く採用されているが、これらのネットワークは、よりリッチなトポロジカルな関係を含む現実世界のネットワークにもかかわらず、ペア関係のみを捉えることに限られている。 さらに、GNNベースのモデルは、グラフの複雑さによってスケールする計算上の課題に直面し、大きなネットワークに適用性を制限する。 これらの制約に対処するため、時空間モデリングに単純な複雑な構造を利用するための最初のアプローチであるModernSASST(ModernSASST)を提案する。 提案手法では,高次元単純コンプレックス上の時空間ランダムウォークを用い,並列化可能な時間畳み込みネットワークを統合して高次トポロジ構造を捕捉し,計算効率を向上する。 ソースコードはGitHub\footnote{Codeで公開されています。

関連論文リスト

• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting [8.832864937330722]
  長距離交通予測は、交通ネットワークで観測される複雑な時間的相関のため、依然として困難な課題である。 本稿では,GRAM-ODE(Graph-based Multi-ODE Neural Networks)と呼ばれるアーキテクチャを提案する。 実世界の6つのデータセットを用いて行った大規模な実験は、最先端のベースラインと比較して、GRAM-ODEの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-30T02:10:42Z)
• Towards Expressive Spectral-Temporal Graph Neural Networks for Time Series Forecasting [101.5022396668152]
  スペクトル時間グラフニューラルネットワークは、ほとんどの時系列予測モデルの基礎となる、有望な抽象化である。 我々は、スペクトル時間GNNの表現力を高める理論的枠組みを確立する。 本研究は,GNNをベースとした時系列モデルにおいて,より広範に表現可能なGNNモデルを考案するための道筋をたどるものである。
  論文  参考訳（メタデータ） (2023-05-11T05:56:38Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)

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。