論文の概要: GraphToolbox: A Configurable Python Framework for Graph Neural Network Forecasting
- arxiv url: http://arxiv.org/abs/2609.24609v1
- Date: Mon, 21 Sep 2026 13:58:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.311327
- Title: GraphToolbox: A Configurable Python Framework for Graph Neural Network Forecasting
- Title（参考訳）: GraphToolbox: グラフニューラルネットワーク予測のための構成可能なPythonフレームワーク
- Abstract要約: GraphToolboxは、グラフの構成、モデル選択、トレーニング、集約、解釈を統一するオープンソースのPythonフレームワークです。
データ駆動グラフ構築、65 PyTorch Geometric Convolutionの51をPyTorch Geometric Temporalのリカレントセルとともにインスタンス化し、トレーニングするアダプタを提供する。
フランスでは、48の畳み込みが1.14%から1.60%の誤差で、オンラインアグリゲーションは0.98%に低下し、グラフモデルは古典的な加算法とベースラインを改善した。
- 参考スコア（独自算出の注目度）: 1.1584571002297215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electricity forecasting often involves spatially related signals observed over regions, substations, and feeders, and Graph Neural Networks (GNNs) provide a natural way to represent these relations. Building a complete GNN forecasting experiment is nonetheless laborious, because graph construction, model selection, training, aggregation, and interpretation sit in incompatible tools. We present GraphToolbox, an open-source Python framework that unifies these stages in one configurationdriven pipeline built on PyTorch Geometric. It offers data-driven graph construction, an adapter that instantiates and trains 51 of the 65 PyTorch Geometric convolutions together with the recurrent cells of PyTorch Geometric Temporal, online expert aggregation, forecasting interpretability, and significance testing on cached forecasts. We evaluate the pipeline in two case studies. On French regional load, the 48 convolutions included in the complete forecasting sweep fall in a band from 1.14% to 1.60% error, online aggregation lowers this to 0.98%, and the graph models improve on classical additive and boosting baselines. On net-load, direct graph models are less accurate than a classical additive model, while forecasting each physical component separately improves them without closing that gap. Both comparisons use the same experimental interface, illustrating the role of GraphToolbox in systematic architectural evaluation.
- Abstract（参考訳）: 電気の予測は、しばしば領域、変電所、給電所で観測される空間的に関連した信号を伴い、グラフニューラルネットワーク(GNN)はこれらの関係を表現する自然な方法を提供する。
グラフ構築、モデル選択、トレーニング、集約、解釈が互換性のないツールに置かれているため、完全なGNN予測実験の構築は、それでも困難である。
GraphToolboxはオープンソースのPythonフレームワークで、PyTorch Geometric上に構築された1つの構成駆動パイプラインにこれらのステージを統合する。
データ駆動グラフの構築、65 PyTorch Geometric Convolutionの51をPyTorch Geometric Temporalのリカレントセルとともにインスタンス化し、トレーニングするアダプタ、オンライン専門家アグリゲーション、解釈可能性の予測、キャッシュされた予測の重要テストを提供する。
パイプラインを2つのケーススタディで評価した。
フランスでは、48の畳み込みが1.14%から1.60%の誤差で、オンラインアグリゲーションは0.98%に低下し、グラフモデルは古典的な加算法とベースラインを改善した。
ネット負荷の場合、直接グラフモデルは古典的な加法モデルよりも正確ではなく、各物理成分の予測はギャップを埋めることなく個別に改善する。
どちらの比較も同じ実験的なインターフェースを使用しており、体系的なアーキテクチャ評価においてGraphToolboxの役割を説明できる。
関連論文リスト
- Topology-Agnostic Graph U-Nets for Scalar Field Prediction on Unstructured Meshes [2.4306216325375196]
TAG U-Netはグラフ畳み込みネットワークで、任意のメッシュやグラフ構造を入力できるようにトレーニングすることができる。
モデルは、各入力グラフの粗いバージョンを構築し、元のグラフ上のノードワイズ出力を予測するために、一連の畳み込みとプーリング操作を実行する。
論文 参考訳（メタデータ） (2024-10-08T22:27:35Z) - Deep Generative Models for Subgraph Prediction [10.56335881963895]
本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。
サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。
我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
論文 参考訳（メタデータ） (2024-08-07T19:24:02Z) - Scalable Property Valuation Models via Graph-based Deep Learning [5.172964916120902]
類似した特徴を持つ近隣住宅の配列を効果的に同定する2つの新しいグラフニューラルネットワークモデルを開発した。
本研究では, グラフニューラルネットワークを用いて住宅価格予測を行うことにより, 住宅価格予測の精度を著しく向上することを示す。
論文 参考訳（メタデータ） (2024-05-10T15:54:55Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Sparsity exploitation via discovering graphical models in multi-variate
time-series forecasting [1.2762298148425795]
本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。
まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。
次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-29T16:48:00Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳（メタデータ） (2022-05-07T04:11:23Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - 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) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z) - Residual Correlation in Graph Neural Network Regression [39.54530450932135]
我々は条件付き独立仮定が予測力を著しく制限していることを示します。
この問題を解釈可能かつ効率的なフレームワークで解決する。
我々のフレームワークは、競合するベースラインよりもかなり高い精度を実現している。
論文 参考訳（メタデータ） (2020-02-19T16:32:54Z)
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。