論文の概要: Graph-Conditioned Mixture of Graph Neural Network Experts for Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2605.30486v1
• Date: Thu, 28 May 2026 19:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.189171
• Title: Graph-Conditioned Mixture of Graph Neural Network Experts for Traffic Forecasting
• Title（参考訳）: 交通予知のためのグラフ型ニューラルネットワークエキスパートの混合
• Authors: Amirhossein Ghaffari, Saeid Sheikhi, Ekaterina Gilman,
• Abstract要約: GC-MoEは、各ノードに凍結予測専門家のパーソナライズされた組み合わせを割り当てる、グラフ条件のエキスパートフレームワークの混合である。 GC-MoEは、凍結した時間的GNNエキスパートと入力を意識した空間的にコンテキスト化されたルータを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.1354560757162539
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal forecasting on sensor graphs is commonly tackled with a single backbone architecture applied uniformly across all nodes, although graph regions can exhibit different dynamics. Road segments differ in functional class, structure, and traffic behavior, suggesting that node-wise expert specialization can be useful. We propose GC-MoE, a graph-conditioned mixture of experts framework that assigns each node a personalized combination of frozen forecasting experts based on graph topology and the recent traffic input window. GC-MoE combines frozen pretrained spatio-temporal GNN experts with an input-aware, spatially contextualized router while training only a lightweight routing module. We also study a bounded graph-conditioned output refinement layer as an optional extension and include node-adaptive ST-LoRA adapters only as an ablation diagnostic. Across four standard benchmarks (PEMS04, PEMS07, METR-LA, and PEMS-BAY), GC-MoE improves MAE over a zero-parameter ensemble baseline, with competitive RMSE and MAPE, while training only ~17K parameters on top of 1.5M frozen expert weights. The implementation is available at https://github.com/Ahghaffari/gc_moe.
• Abstract（参考訳）: センサグラフ上の時空間予測は、一般にすべてのノードに一様に適用される単一のバックボーンアーキテクチャに対処されるが、グラフ領域は異なるダイナミクスを示すことができる。 道路セグメントは機能クラス、構造、交通行動に異なり、ノードワイズの専門家の専門化が有用であることを示している。 グラフトポロジと最近のトラフィック入力ウィンドウに基づいて,各ノードに凍結予測専門家のパーソナライズした組み合わせを割り当てるグラフ条件付きエキスパートフレームワークであるGC-MoEを提案する。 GC-MoEは、凍結した時空間GNNエキスパートと入力を意識した空間的にコンテキスト化されたルータを組み合わせて、軽量なルーティングモジュールのみをトレーニングする。 また、有界グラフ条件の出力改善層を任意の拡張として検討し、アブレーション診断としてのみノード適応ST-LoRAアダプタを含む。 4つの標準ベンチマーク(PEMS04, PEMS07, METR-LA, PEMS-BAY)の中で、GC-MoEは、競合するRMSEとMAPEを持つゼロパラメトリックアンサンブルベースラインよりもMAEを改良し、1.5Mのフリーズされたエキスパートウェイトの上に約17Kのパラメータのみをトレーニングした。 実装はhttps://github.com/Ahghaffari/gc_moe.comで公開されている。

関連論文リスト

• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• Self-Adaptive Graph Mixture of Models [4.3009319001455975]
  Self-Adaptive Graph Mixture of Models (SAGMM)は、最も適切なGNNモデルを自動的に選択して組み合わせることを学ぶモジュール式で実用的なフレームワークである。 我々は、ノード分類、グラフ分類、回帰、リンク予測タスクを含む16のベンチマークデータセット上でSAGMMを評価する。
  論文  参考訳（メタデータ） (2025-11-17T07:11:06Z)
• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• Graph Sparsification via Mixture of Graphs [67.40204130771967]
  そこで我々はMixture-of-Graphs (MoG)を導入し、各ノードに対して動的に調整されたプルーニングソリューションを選択する。 MoGには複数のスパシファイアの専門家が組み込まれており、それぞれが独自のスパーシリティレベルとプルーニング基準によって特徴付けられ、各ノードに対して適切な専門家を選択する。 5つのGNNを備えた4つの大規模OGBデータセットと2つのスーパーピクセルデータセットの実験により、MoGはより高い空間レベルのサブグラフを識別することを示した。
  論文  参考訳（メタデータ） (2024-05-23T07:40:21Z)
• Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit Diversity Modeling [60.0185734837814]
  グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。 GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。 本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
  論文  参考訳（メタデータ） (2023-04-06T01:09:36Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Graph Networks with Spectral Message Passing [1.0742675209112622]
  本稿では,空間領域とスペクトル領域の両方にメッセージパッシングを適用するSpectral Graph Networkを紹介する。 その結果,spectrum gnは効率のよいトレーニングを促進し,より多くのパラメータを持つにもかかわらず,少ないトレーニングイテレーションで高いパフォーマンスを達成できることがわかった。
  論文  参考訳（メタデータ） (2020-12-31T21:33:17Z)

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。