論文の概要: WaveGSSM: Graph Wave State Space Models for Propagating Spatio-Temporal Patterns

• arxiv url: http://arxiv.org/abs/2610.06540v1
• Date: Mon, 05 Oct 2026 15:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:40:20.29211
• Title: WaveGSSM: Graph Wave State Space Models for Propagating Spatio-Temporal Patterns
• Title（参考訳）: WaveGSSM:時空間パターンの伝搬のためのグラフ波状態空間モデル
• Abstract要約: 時空間グラフモデルは通常、各スナップショットをGNNにエンコードし、時間モジュールを介して結果の表現を接続する。 我々は,伝播過程において,近年の変化率が異なる場合には,同じ現状が異なる未来へと導かれることを実証的に示す。 本稿では,各ノードに2つの結合潜在状態を保持する2階グラフ状態空間モデルであるWaveGSSMを紹介する。
• 参考スコア（独自算出の注目度）: 23.27031735066431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal graph models typically encode each snapshot with a GNN and then connect the resulting representations through a temporal module. This space-then-time design is effective, yet it does not explicitly represent how a pattern moves across the graph. We show empirically that, for a propagating process, the same present field can lead to different futures when its recent rate of change differs, motivating an explicit representation of motion in the predictive state. We introduce WaveGSSM, a second-order graph state-space model that maintains two coupled latent states at each node, one for the current pattern and one for its temporal rate of change. A graph-wave transition updates the motion state through graph interactions and uses it to advance the pattern state, coupling spatial propagation and temporal evolution within a single rollout. We evaluate WaveGSSM on four temporal-graph benchmarks and global weather forecasting. It consistently achieves the best mean performance across the temporal-graph benchmarks and reduces the geopotential RMSE by 20.2% on average for 1- to 5-day weather forecasts relative to a backbone-matched snapshot model, while better preserving large-scale atmospheric patterns.
• Abstract（参考訳）: 時空間グラフモデルは通常、各スナップショットをGNNにエンコードし、時間モジュールを介して結果の表現を接続する。 この時空間設計は効果的であるが、パターンがグラフをどう移動するかを明確に示していない。 我々は、伝播過程において、同じ現在フィールドが、その最近の変化率が異なるときに異なる未来へと導かれることを実証的に示し、予測状態における運動の明示的な表現を動機付けている。 本稿では,2次グラフ状態空間モデルであるWaveGSSMを紹介する。 グラフ波遷移は、グラフ相互作用を通じて動き状態を更新し、それをパターン状態の進行、空間的伝播と1つのロールアウト内での時間的進化を結合する。 我々は4つの時間グラフベンチマークと地球規模の天気予報でWaveGSSMを評価した。 時間グラフのベンチマークで最高の平均性能を一貫して達成し、1日から5日間の天気予報で平均20.2%削減し、大規模な大気パターンをよりよく保存する。

関連論文リスト

• WaveFormer: Frequency-Time Decoupled Vision Modeling with Wave Equation [24.13944601660532]
  視覚モデリングはトランスフォーマーによって急速に進歩し、注意機構は視覚的依存を捉えるが、意味情報が空間的にどのように伝播するかという原則的な説明は欠いている。 我々はこの問題を波面から再検討し、内部伝播時間における空間信号として特徴写像を下水波方程式で制御する。 本稿では,標準VTやCNNのドロップイン置換としてWaveFormerモデルのファミリを提案し,画像分類,オブジェクト検出,セマンティックセグメンテーションにおける競合精度を実現する。
  論文  参考訳（メタデータ） (2026-01-13T14:47:22Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• DyGSSM: Multi-view Dynamic Graph Embeddings with State Space Model Gradient Update [0.0]
  状態空間モデル勾配更新(DyGSSM)を用いたマルチビュー動的グラフ埋め込み法を提案する。 提案手法では,局所的な特徴抽出のためのグラフ畳み込みネットワーク(GCN)と,各スナップショットにおけるグローバルな特徴抽出のためのGRU(Gated Recurrent Unit)を組み合わせた。 5つの公開データセットの実験では、20例中17例で既存のベースラインと最先端(SOTA)メソッドよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-13T23:12:07Z)
• TPP-Gaze: Modelling Gaze Dynamics in Space and Time with Neural Temporal Point Processes [63.95928298690001]
  ニューラル・テンポラル・ポイント・プロセス(TPP)に基づく新規かつ原則化されたスキャンパスダイナミクスのアプローチであるTPP-Gazeを提案する。 提案手法は,最先端手法と比較して総合的に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-30T19:22:38Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• HGWaveNet: A Hyperbolic Graph Neural Network for Temporal Link Prediction [9.110162634132827]
  本稿では,時間的リンク予測のために,双曲空間とデータ分布間の適合性をフル活用した新しい双曲グラフニューラルネットワークHGWaveNetを提案する。 具体的には,空間的位相構造と時間的進化情報を別々に学習するための2つの重要なモジュールを設計する。 その結果,SOTA法による時間リンク予測では,AUCが6.67%向上した。
  論文  参考訳（メタデータ） (2023-04-14T07:07:00Z)
• Temporal Graph Neural Networks for Irregular Data [14.653008985229615]
  TGNN4Iモデルは、不規則な時間ステップとグラフの部分的な観察の両方を扱うように設計されている。 時間連続力学により、任意の時間ステップでモデルを予測できる。 交通・気候モデルによるシミュレーションデータと実世界のデータの実験は、グラフ構造と時間連続力学の両方の有用性を検証する。
  論文  参考訳（メタデータ） (2023-02-16T16:47:55Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)

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。