Bagaimanakah maklumat spatiotemporal model GNN? Kajian semula 'Rangkaian Neural Graf Spatial-temporal' di Queen Mary University of London, penjelasan ringkas tentang kaedah rangkaian saraf graf spatio-temporal

​Algoritma berkuasa ini telah mendapat minat yang besar sejak beberapa tahun lalu. Walau bagaimanapun, prestasi ini adalah berdasarkan andaian struktur graf statik, yang mengehadkan prestasi rangkaian saraf graf apabila data berubah dari semasa ke semasa. Rangkaian saraf graf berjujukan ialah lanjutan rangkaian saraf graf yang mengambil kira faktor masa.

Dalam beberapa tahun kebelakangan ini, pelbagai algoritma rangkaian saraf graf berjujukan telah dicadangkan dan telah mencapai prestasi yang lebih baik daripada algoritma pembelajaran mendalam yang lain dalam pelbagai aplikasi berkaitan masa. Kajian ini membincangkan topik menarik yang berkaitan dengan rangkaian neural graf spatiotemporal, termasuk algoritma, aplikasi dan cabaran terbuka.

Alamat kertas: https://www.php.cn/link/1915523773b16865a73a38acc952ccda

Graph Neural Network (GNN) ialah sejenis model pembelajaran mendalam yang direka khusus untuk memproses data berstruktur graf. Model ini mengeksploitasi topologi graf untuk mempelajari perwakilan yang bermakna bagi nod dan tepi graf. Rangkaian saraf graf ialah lanjutan daripada rangkaian saraf konvolusi tradisional dan telah terbukti berkesan dalam tugas seperti pengelasan graf, pengelasan nod dan ramalan pautan. Salah satu kelebihan utama GNN ialah ia mengekalkan prestasi yang baik walaupun saiz graf asas berkembang, kerana bilangan parameter yang boleh dipelajari adalah bebas daripada bilangan nod dalam graf. Rangkaian saraf graf (GNN) telah digunakan secara meluas dalam pelbagai bidang seperti sistem pengesyoran, penemuan ubat dan biologi, dan peruntukan sumber dalam sistem autonomi. Walau bagaimanapun, model ini terhad kepada data graf statik, di mana struktur graf ditetapkan. Dalam tahun-tahun kebelakangan ini, data graf yang berubah-ubah masa telah menarik perhatian yang semakin meningkat, muncul dalam pelbagai sistem dan membawa maklumat temporal yang berharga. Aplikasi data graf yang berubah-ubah masa termasuk data siri masa berbilang variasi, rangkaian sosial, sistem audio-visual, dsb.

Untuk memenuhi permintaan ini, keluarga GNN baharu telah muncul: GNN spatiotemporal, yang mengambil kira kedua-dua dimensi spatial dan temporal data dengan mempelajari perwakilan temporal struktur graf. Makalah ini menyediakan ulasan komprehensif mengenai rangkaian neural graf spatiotemporal yang terkini. Artikel ini bermula dengan gambaran ringkas tentang pelbagai jenis rangkaian saraf graf spatiotemporal dan andaian asasnya. Algoritma khusus yang digunakan dalam GNN spatiotemporal dikaji dengan lebih terperinci, sambil turut menyediakan taksonomi yang berguna untuk mengumpulkan model ini. Kertas kerja ini juga menyediakan gambaran keseluruhan tentang pelbagai aplikasi GNN spatiotemporal, yang menonjolkan bidang utama di mana model ini telah digunakan untuk mencapai hasil yang terkini. Akhir sekali, cabaran yang dihadapi di lapangan dan hala tuju penyelidikan masa depan dibincangkan. Kesimpulannya, semakan ini bertujuan untuk menyediakan kajian menyeluruh dan mendalam mengenai rangkaian saraf graf spatiotemporal, menonjolkan keadaan semasa bidang, cabaran utama yang masih perlu ditangani, dan kemungkinan masa depan yang menarik bagi model ini.

2. Algoritma

Dari perspektif algoritma, rangkaian saraf graf spatiotemporal boleh dibahagikan kepada dua kategori: berasaskan spektrum dan berasaskan ruang. Kategori pengelasan lain ialah kaedah yang memperkenalkan variasi masa: algoritma pembelajaran mesin lain atau menentukan masa dalam struktur graf.

2.1 Rangkaian neural graf spatiotemporal hibrid

Rangkaian neural graf spatiotemporal hibrid terdiri daripada dua komponen utama: komponen spatial dan komponen temporal. Dalam rangkaian neural graf spatiotemporal hibrid, algoritma rangkaian neural graf digunakan untuk memodelkan kebergantungan spatial dalam data.

2.2 Rangkaian Neural Graf Solo

Cara lain untuk memodelkan masa dalam rangkaian neural graf spatio-temporal adalah dengan mentakrifkan rangka masa dalam GNN itu sendiri . Pelbagai kaedah telah dicadangkan, termasuk: mentakrifkan masa sebagai tepi, memasukkan masa sebagai isyarat ke dalam GNN, memodelkan masa sebagai subgraf, dan mengapit seni bina pembelajaran mesin lain ke dalam GNN (Rajah 2).

3 Aplikasi

3.1 Ramalan siri masa berbilang pembolehubah

diproses oleh rangkaian saraf graf Diilhamkan. dengan keupayaan pergantungan hubungan [10], rangkaian neural graf spatiotemporal digunakan secara meluas dalam ramalan siri masa multivariate. Aplikasi termasuk ramalan trafik, ramalan Covid, penggunaan kuasa fotovoltaik, komunikasi RSU dan aplikasi seismik.

3.2 Interaksi watak

Dalam pembelajaran mesin dan penglihatan komputer, pembelajaran domain spatiotemporal masih merupakan masalah yang sangat mencabar. Cabaran utama ialah bagaimana untuk memodelkan interaksi antara objek dan konsep peringkat lebih tinggi dalam konteks spatiotemporal yang besar [18]. Dalam tugasan pembelajaran yang begitu sukar, adalah penting untuk memodelkan hubungan ruang, penampilan setempat dan interaksi dan perubahan yang kompleks dengan berkesan dari semasa ke semasa. [18] memperkenalkan model rangkaian neural graf spatiotemporal yang bergelung dalam ruang dan masa, sesuai untuk menangkap penampilan tempatan dan interaksi peringkat tinggi yang kompleks bagi entiti dan objek yang berbeza dalam mengubah pemandangan dunia [18].

3.3 Perwakilan graf dinamik

Pembelajaran perwakilan graf berurutan sentiasa dianggap sebagai aspek yang sangat penting dalam pembelajaran mesin graf [15,31]. Bertujuan pada had bahawa kaedah sedia ada bergantung pada gambar rajah jujukan diskret dan tidak dapat menangkap perwakilan yang berkuasa, [3] mencadangkan kaedah pembelajaran perwakilan graf dinamik berdasarkan rangkaian saraf graf spatiotemporal. Tambahan pula, [15] kini menggunakan GNN spatiotemporal untuk mewakili peta otak secara dinamik. Penjejakan berbilang sasaran Penjejakan berbilang sasaran dalam video sangat bergantung pada pemodelan interaksi spatio-temporal antara sasaran [16]. [16] mencadangkan algoritma rangkaian saraf graf spatiotemporal untuk memodelkan interaksi spatial dan temporal antara objek.

3.4 Tafsiran Bahasa Isyarat

Bahasa isyarat menggunakan kaedah visual-manual untuk menyampaikan maksud dan merupakan alat komunikasi utama bagi kumpulan pekak dan kurang pendengaran. Untuk merapatkan jurang komunikasi antara pengguna bahasa pertuturan dan pengguna bahasa isyarat, teknologi pembelajaran mesin diperkenalkan. Secara tradisinya, terjemahan mesin saraf telah diterima pakai secara meluas, tetapi kaedah yang lebih maju diperlukan untuk menangkap sifat spatial bahasa isyarat. [13] mencadangkan sistem terjemahan bahasa isyarat berdasarkan rangkaian neural graf spatiotemporal, yang mempunyai keupayaan yang kuat untuk menangkap struktur spatiotemporal bahasa isyarat dan mencapai prestasi terbaik berbanding kaedah terjemahan mesin saraf tradisional [13].

3.5 Kedudukan Pertumbuhan Teknologi

Memahami kadar pertumbuhan teknologi ialah kunci teras kepada strategi perniagaan jabatan teknologi. Selain itu, meramalkan kadar pertumbuhan teknologi dan hubungannya antara satu sama lain boleh membantu keputusan perniagaan dalam definisi produk, strategi pemasaran dan R&D. [32] mencadangkan kaedah ramalan untuk kedudukan pertumbuhan teknologi rangkaian sosial berdasarkan rangkaian neural graf spatiotemporal.

4. Kesimpulan

Rangkaian saraf graf telah mendapat minat yang besar dalam beberapa tahun kebelakangan ini. Algoritma berkuasa ini memanjangkan model pembelajaran mendalam kepada ruang bukan Euclidean. Walau bagaimanapun, rangkaian saraf graf terhad kepada andaian struktur graf statik, yang mengehadkan prestasi rangkaian saraf graf apabila data berubah dari semasa ke semasa. Rangkaian saraf graf berjujukan ialah lanjutan rangkaian saraf graf yang mengambil kira faktor masa. Artikel ini menyediakan gambaran keseluruhan komprehensif rangkaian neural graf spatiotemporal. Makalah ini mencadangkan taksonomi yang membahagikan rangkaian saraf graf spatiotemporal kepada dua kategori berdasarkan kaedah pembolehubah masa. Pelbagai aplikasi rangkaian neural graf spatiotemporal juga dibincangkan. Akhirnya, hala tuju penyelidikan masa depan dicadangkan berdasarkan cabaran terbuka yang sedang dihadapi oleh rangkaian saraf graf spatiotemporal.

Rujukan:​​https://www.php.cn/link/1915523773b16865a73a38acc952ccda​​

Atas ialah kandungan terperinci Bagaimanakah maklumat spatiotemporal model GNN? Kajian semula 'Rangkaian Neural Graf Spatial-temporal' di Queen Mary University of London, penjelasan ringkas tentang kaedah rangkaian saraf graf spatio-temporal. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!