論文の概要: How Much Graph Is Too Much? Graph Construction and Exposure in Spatio-Temporal Forecasting

• arxiv url: http://arxiv.org/abs/2610.34611v1
• Date: Sun, 25 Oct 2026 22:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.646556
• Title: How Much Graph Is Too Much? Graph Construction and Exposure in Spatio-Temporal Forecasting
• Title（参考訳）: グラフが多すぎるか? 時空間予測におけるグラフ構築と露光
• Abstract要約: 予測精度は、隣人の選択とグラフメッセージが時間モデルに入る方法に依存する。 我々は、米国の失業、交通速度、電力需要に関するグラフ構築とグラフ露出について研究する。
• 参考スコア（独自算出の注目度）: 0.6372261626436676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal graph neural networks combine a node's history with information from graph neighbors. The central question is whether graph neighbors provide predictive information beyond each node's own history. Forecast accuracy depends on both the choice of neighbors and the way graph messages enter the temporal model. We study these choices as graph construction and graph exposure on U.S. state unemployment, traffic speed, and electricity demand. Our diagnostic design uses two comparisons: varying exposure while holding the domain graph fixed, and varying construction while holding late gated integration fixed. A GRU using only each node's own history and randomized graph controls help assess what the graph contributes. Under a common change forecasting protocol, the same domain graph can improve or worsen error relative to the GRU across integration designs. Late integration alone is insufficient, while adding a fusion gate yields lower mean error in all three tasks. With late gated integration fixed, a graph based on residual correlations has the lowest mean error among the tested graphs, although randomized graphs perform similarly on unemployment. The findings support evaluating graph construction and integration together, with conclusions tied to the comparisons actually performed.
• Abstract（参考訳）: 時空間グラフニューラルネットワークは、ノードの歴史とグラフ隣人の情報を組み合わせる。 中心的な問題は、グラフ隣人が各ノードの履歴を超えて予測情報を提供するかどうかである。 予測精度は、隣人の選択とグラフメッセージが時間モデルに入る方法の両方に依存する。 我々は、これらの選択を、米国の失業、交通速度、電力需要に関するグラフ構築とグラフ露出として研究する。 我々の診断設計では、ドメイングラフを固定した状態での露出の変化と、遅延ゲート積分を固定した状態での構成の2つの比較を用いている。 各ノードの履歴とランダム化グラフコントロールのみを使用するGRUは、グラフのコントリビューションを評価するのに役立つ。 共通の変更予測プロトコルの下では、同じドメイングラフが統合設計におけるGRUに対するエラーを改善したり、悪化させたりすることができる。 後期統合だけでは不十分であり、核融合ゲートの追加は3つのタスクすべてにおいて平均誤差を低くする。 遅延ゲート積分を固定すると、残差相関に基づくグラフは試験されたグラフの中で最小平均誤差を持つが、ランダム化されたグラフも同様に失業に作用する。 結果は、グラフの構築と統合を評価することをサポートし、実際の比較に関連付けられた結論が得られた。

関連論文リスト

• Your Discrete Graph Diffusion Model is Secretly Memorizing [9.73681576519524]
  グラフ拡散モデルが実際に記憶を示すのは初めてである。 記憶の開始は常に、生成されたグラフにおけるコミュニティ構造の出現に先行する。
  論文  参考訳（メタデータ） (2026-10-09T16:04:06Z)
• GraphPub: Generation of Differential Privacy Graph with High Availability [21.829551460549936]
  差分プライバシー(DP)は、グラフデータのプライバシーを保護する一般的な方法である。 グラフデータの複雑なトポロジ構造のため、グラフにDPを適用すると、GNNモデルのメッセージパッシングや集約に影響を及ぼすことが多い。 グラフトポロジを保護しつつ,データの可用性が基本的に変化しないことを保証するグラフパブリッシャ(GraphPub)を提案する。
  論文  参考訳（メタデータ） (2024-02-28T20:02:55Z)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• A New Heterogeneous Graph Representation in a Social Media Platform: Steemit [2.127049691404299]
  グラフの各成分に時間を含む新しい異種グラフ表現を提案する。 また、機械学習やディープラーニングの問題に対処するために、4つの時間依存クエリを導入します。
  論文  参考訳（メタデータ） (2022-09-02T04:59:21Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Inference Attacks Against Graph Neural Networks [33.19531086886817]
  グラフの埋め込みは、グラフ分析問題を解決する強力なツールである。 グラフ埋め込みの共有は興味深いが、関連するプライバシーリスクは未調査だ。 3つの推論攻撃を組み込むことで,グラフ埋め込みの情報漏洩を系統的に調査する。
  論文  参考訳（メタデータ） (2021-10-06T10:08:11Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• A Survey of Adversarial Learning on Graphs [59.21341359399431]
  本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。 具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。 我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
  論文  参考訳（メタデータ） (2020-03-10T12:48:00Z)

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。