論文の概要: Auto-Configured Explainable Graph Neural Networks for Multi-Site Pollution Prediction

• arxiv url: http://arxiv.org/abs/2606.24978v1
• Date: Tue, 23 Jun 2026 12:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 21:36:10.19555
• Title: Auto-Configured Explainable Graph Neural Networks for Multi-Site Pollution Prediction
• Title（参考訳）: マルチサイト汚染予測のための自動構成可能なグラフニューラルネットワーク
• Authors: Abdelkader Dairi, Fouzi Harrou, Ying Sun,
• Abstract要約: 本研究では,クラス間の関係を動的に捉えるために,教師付き学習プロセスと混同したグラフ構築手法を提案する。 この手法は、ユタ大学ソルトレイクシティの大気汚染監視ネットワークによる大気汚染データを用いて評価される。
• 参考スコア（独自算出の注目度）: 4.5379917333739055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate particulate matter (PM) prediction is crucial for mitigating air pollution. Graph Neural Networks (GNNs) effectively model spatiotemporal dependencies, but predefined graphs limit adaptability, and some datasets complicate learning. This study introduces a graph construction method based on a confusion matrix from a supervised learning process to dynamically capture inter-class relationships. Additionally, a hybrid loss function that combines energy distance and Huber loss is applied to address the vanishing gradient problem and improve learning stability. The approach is evaluated using air pollution data from the University of Utah AirU Pollution Monitoring Network in Salt Lake City, UT, with five GNN models: Graph Convolutional Networks (GCNs), Simple Graph Convolutional Networks (SGConv), Graph Isomorphism Networks (GINs), Graph Attention Networks (GATs), and GraphSage. The experimental results of single- and multistep predictions confirm that GraphSage achieves the highest accuracy in predicting the concentrations of PM${1}$, PM${10}$, and PM$_{2.5}$ over different time horizons. Furthermore, {\color{black} GNNExplainer (Graph Neural Network Explainer) and PGExplainer (Probabilistic Graph Explainer)} are applied to interpret feature importance and graph structure, ensuring model transparency. Results show improved prediction accuracy, with GNN models outperforming traditional machine learning \textcolor{black}{and deep learning models (i.e., Prophet, Long short-term memory, Gated recurrent units} in air pollution forecasting.
• Abstract（参考訳）: 大気汚染を緩和するためには、正確な粒子状物質(PM)予測が不可欠である。 グラフニューラルネットワーク(GNN)は、時空間依存を効果的にモデル化するが、事前に定義されたグラフは適応性を制限し、いくつかのデータセットは学習を複雑にする。 本研究では,クラス間の関係を動的に捉えるために,教師付き学習プロセスからの混乱行列に基づくグラフ構築手法を提案する。 さらに、エネルギー距離とハマー損失を組み合わせたハイブリッド損失関数を適用し、消滅する勾配問題に対処し、学習安定性を向上させる。 この手法は、ユタ州ソルトレイクシティのユタ大学大気汚染監視ネットワークの大気汚染データを用いて評価され、5つのGNNモデル:Graph Convolutional Networks (GCNs)、Simple Graph Convolutional Networks (SGConv)、Graph Isomorphism Networks (GINs)、Graph Attention Networks (GATs)、GraphSageである。 単段および多段の予測実験の結果、グラフセージがPM${1}$, PM${10}$, PM$_{2.5}$の濃度を異なる時間地平線上で予測する上で、最も高い精度を達成することを確認した。 さらに,GNNExplainer (Graph Neural Network Explainer) とPGExplainer (Probabilistic Graph Explainer) を用いて,特徴の重要性とグラフ構造を解釈し,モデルの透明性を確保する。 その結果, 大気汚染予測において, GNNモデルは従来の機械学習モデルであるtextcolor{black}{andディープラーニングモデル(預言者, 長期記憶, Gated Recurrent Unit})より優れており, 予測精度は向上した。

関連論文リスト

• Enhancing Graph Neural Networks Using Proximity Graphs for Dust Source Emission Forecasting [0.0]
  近接グラフにより、グラフニューラルネットワーク(GNN)は、データポイント間の空間的および時間的関係を効果的にモデル化できることを示す。 提案手法は, 近接グラフとGNNを統合することにより, 強靭で正確なダストソース予測を可能にする。
  論文  参考訳（メタデータ） (2026-06-18T06:05:08Z)
• Deep Learning for School Dropout Detection: A Comparison of Tabular and Graph-Based Models for Predicting At-Risk Students [0.2029906424353094]
  学生の退学は、世界中の教育システムにおいて重要な課題である。 グラフニューラルネットワーク(GNN)は、グラフとして構造化された場合、学生データに固有の複雑な関係をキャプチャすることで潜在的な利点を提供する。
  論文  参考訳（メタデータ） (2025-08-09T01:19:32Z)
• Demystifying Distributed Training of Graph Neural Networks for Link Prediction [7.125495588888206]
  グラフニューラルネットワーク(GNN)は、グラフ関連の問題を解決する強力なツールである。 本稿では,性能劣化問題を調査し,リンク予測のためのGNNの分散トレーニングについて検討する。 本研究では,グラフスペーシフィケーションを効果的に活用し,通信コストの低減による性能劣化を緩和するSpLPGを提案する。
  論文  参考訳（メタデータ） (2025-06-25T20:32:23Z)
• Fair Graph Neural Network with Supervised Contrastive Regularization [12.666235467177131]
  公平性を考慮したグラフニューラルネットワーク(GNN)の学習モデルを提案する。 提案手法は, コントラスト損失と環境損失を統合し, 精度と公正性を両立させる。
  論文  参考訳（メタデータ） (2024-04-09T07:49:05Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Transferability Properties of Graph Neural Networks [125.71771240180654]
  グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。 適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。 その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
  論文  参考訳（メタデータ） (2021-12-09T00:08:09Z)
• Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
  本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。 これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-07T15:05:59Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。