論文の概要: GUIDED Network-Agnostic Feature Initialization for Spatial Transferability in GNN-based Models

• arxiv url: http://arxiv.org/abs/2607.19270v1
• Date: Tue, 21 Jul 2026 16:41:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.49208
• Title: GUIDED Network-Agnostic Feature Initialization for Spatial Transferability in GNN-based Models
• Title（参考訳）: GNNモデルにおける空間移動性のためのGUIDEDネットワーク非依存特徴初期化
• Abstract要約: 交通割り当て問題(Traffic Assignment Problem)は、交通計画の基本的だが計算に費用がかかる問題である。 本研究では,ネットワークに依存しない初期化層であるGeometrically Unconstrained Inductive Demand EmbeDdingを提案する。 このフレームワークは、ネットワークスケールに関係なく、入力空間を標準化する。 これは、貨物物流やマルチモーダルネットワーク最適化のような一般化された原点決定空間問題に対して、汎用的な青写真を提供する。
• 参考スコア（独自算出の注目度）: 46.28228608289378
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Traffic Assignment Problem is a fundamental but computationally expensive component of transportation planning. While Graph Neural Networks have emerged as fast, data-driven surrogates, their practical deployment is severely constrained by a spatial generalization gap. Standard models rely on transductive feature initializations that tie travel demand to fixed network topologies, preventing seamless transfer to new urban environments. To overcome this structural limitation, this research proposes a network-agnostic initialization layer, termed Geometrically Unconstrained Inductive Demand EmbeDding (GUIDED). By injecting travel demand as a scalar attribute on auxiliary virtual links rather than as specific node features, this modular framework standardizes the input space regardless of network scale. Extensive experimental evaluation across multiple urban topologies demonstrates that a Heterogeneous Graph Attention Network (HetGAT) model integrated with the proposed GUIDED layer maintains state-of-the-art predictive accuracy on single-network tasks, while demonstrating superior robustness to out-of-distribution demand patterns and maintaining a distinct performance advantage over the baseline even under severe data scarcity. Notably, the proposed feature initialization enables highly parameter-efficient domain adaptation for inter-network transfer learning without artificial input homogenization, establishing a robust foundation for truly inductive models. At the same time, the optimized scatter operations of the initialization layer yield an approximate 50% reduction in training time per epoch compared to the baseline approach. Furthermore, while demonstrated on vehicular traffic, this fundamental abstraction of spatial topology provides a versatile blueprint for generalized origin-destination spatial problems, such as freight logistics and multimodal network optimization.
• Abstract（参考訳）: 交通割り当て問題(Traffic Assignment Problem)は、交通計画の基本的だが計算に費用がかかる問題である。 グラフニューラルネットワークは高速でデータ駆動のサロゲートとして登場したが、その実践的展開は空間的一般化のギャップによって厳しく制約されている。 標準的なモデルは、旅行需要と固定されたネットワークトポロジを結びつけるトランスダクティブな特徴の初期化に依存しており、新しい都市環境へのシームレスな移動を防いでいる。 この構造的制約を克服するため,GUIDED(Geometrically Unconstrained Inductive Demand EmbeDding)と呼ばれるネットワークに依存しない初期化層を提案する。 特定のノードの特徴ではなく、補助仮想リンク上のスカラー属性として旅行需要を注入することにより、ネットワーク規模に関係なく、このモジュラーフレームワークは入力空間を標準化する。 提案したGUIDED層と統合したヘテロジニアスグラフ注意ネットワーク(HetGAT)モデルは,単一ネットワークタスクにおける最先端の予測精度を維持しつつ,分布外需要パターンに優れたロバスト性を示し,データ不足下においてもベースラインよりも優れたパフォーマンス優位性を維持していることを示す。 特に,提案した特徴の初期化により,人工的な入力均質化を伴わないネットワーク間転送学習において,パラメータ効率の高いドメイン適応が可能となり,真に帰納的モデルのための堅牢な基盤が確立される。 同時に、初期化層の最適化された散乱操作は、ベースラインアプローチと比較して、エポック毎のトレーニング時間をおよそ50%削減する。 さらに、車両の交通を実証しながら、この空間トポロジーの基本的な抽象化は、貨物輸送やマルチモーダルネットワーク最適化のような一般化された原点決定空間問題に対して、汎用的な青写真を提供する。

関連論文リスト

• A Multi-Resolution Multi-Domain Pre-Training Framework for Universal Traffic Forecasting [27.679556042019076]
  既存の事前訓練されたモデルは、しばしば高度に異質なトラフィックデータを扱うために均質なモデリングパラダイムに依存している。 我々は,交通モデリングにモジュール性と適応性を導入する新しい事前学習フレームワークFlexSTを提案する。 23の現実世界のトラフィックデータセットに関する実験では、FlexSTがゼロと数ショット設定で最先端のベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-09-12T11:04:04Z)
• Structure-Guided Spatiotemporal Attention Graph Neural Network for Traffic Flow Prediction [10.55782327097476]
  本稿では,SGSAN(Structure-Guided Stemporal Attention Graph Neural Network)を提案する。 我々は,SGSANが交通ネットワーク論理と有機的に整合する組込み解釈性を提供しながら,最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2026-08-14T10:46:37Z)
• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• A Graph Foundation Model for Wireless Resource Allocation [37.503398874234094]
  本稿では、事前学習および微調整のパラダイムに基づく資源配分のためのグラフ基盤モデルを提案し、統一表現を抽出する。 具体的には、干渉トポロジをグローバルアテンション機構に注入するバイアスプロジェクタを備えた干渉対応トランスフォーマーアーキテクチャを提案する。 実験により,提案するフレームワークは,モデルキャパシティを向上して,最先端のパフォーマンスを実現し,効果的にスケールできることが示されている。
  論文  参考訳（メタデータ） (2026-04-08T06:07:28Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Constraints Matrix Diffusion based Generative Neural Solver for Vehicle Routing Problems [16.541111954252397]
  本稿では、離散ノイズグラフ拡散モデルを用いて車両ルーティング問題の根底にある制約を学習する新しい融合ニューラルネットワークフレームワークを提案する。 この研究は、378の組合せ空間にわたるニューラルネットワークモデルの解法に関する、初めての総合的な実験的研究である。
  論文  参考訳（メタデータ） (2026-03-08T10:03:34Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
  本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。 最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。 解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
  論文  参考訳（メタデータ） (2023-11-13T18:37:07Z)
• End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment [5.205252810216621]
  我々は、異種グラフニューラルネットワークのパワーを活用して、トラフィック割り当てのための新しいエンドツーエンドサロゲートモデルを提案する。 本モデルでは,アダプティブグラフアテンション機構と,原点-終点ノードペアを接続する補助的な"仮想"リンクを統合する。 提案するヘテロジニアスグラフニューラルネットワークモデルは,収束率や予測精度の観点から,従来のニューラルネットワークモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-19T23:04:09Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。