時系列のグラフ畳み込みネットワーク-イントロ。

May 08 2022
グラフ畳み込みネットワーク(GCN)は、ディープラーニングドメインにおける絶対的なゲームチェンジャーです。一連の投稿では、時系列タスクでのGCNの使用法について説明します。

グラフ畳み込みネットワーク(GCN)は、ディープラーニングドメインにおける絶対的なゲームチェンジャーです。一連の投稿では、時系列タスクでのGCNの使用法について説明します。実践的な例がほとんどの投稿に付属しており、この強力なアプローチの「感覚」をすばやく提供します。

推奨事項この投稿は、GCNの予備知識があることを前提としています。GCNの概要が必要な場合は、MichaelBronsteinの投稿「深いGNNが必要ですか」を参照することを強くお勧めますまた、 TobiasSkovgaardJepsenによる実践的な紹介記事

バックグラウンド

グラフニューラルネットワーク(GNN)、特にグラフ畳み込みネットワーク(GCN)[1]は、エンティティとその関係をモデル化できます。自然科学の簡単な例は、原子とその化学結合です。交通管制のもう1つの例は、多くのセグメント間の交通道路速度の依存関係です(これはこの投稿で紹介されます)。

グラフの学習の側面は、グラフ構造のデータでモデルを一般化する機能です。この一般化は、グラフ畳み込み演算が適用される特徴学習を使用して行われます。ビジョンとテキストデータについて幅広い研究が行われてきました。ただし、GCNの時系列ドメインでの作業は多くありません。時変機能がある場合はどうすればよいですか?これは、新しいクールなドメインが最近提示された場所です…

著者による画像

時系列のグラフ

GCNの飛躍的進歩は、時系列の使用法といくつかの説明機能の問題をテーブルにもたらします。

ご想像のとおり、時系列データの処理は直感的ではありません。たとえば、画像と比較して、ほとんどの場合、視覚化して意味を知ることはできません。また、因果関係の特性は非常に重要であることに留意する必要があるため、過去を予測していない、十分に訓練されたモデルを約束する必要があります:)

時系列データは、空間データとは根本的に異なります。GCNとRNN/LSTM / GRUを組み合わせると、ネットで空間的および時間的特徴を一緒にキャプチャできる場合があります。このアプローチはTemporalGCN(TGCN)と呼ばれ、トラフィック予測の例[2]で調査することから始めます。

TGCN:トラフィック予測

道路セグメントのコレクションの交通速度の履歴を考慮して、交通速度予測の問題を検討します。このソリューションでは、各道路セグメントの交通速度を個別の時系列として想定しています。同じ時系列の過去の値を使用して、各時系列の将来の値を予測します。これにより、多くの道路セグメントの交通速度が予測されます。

おそらくお気づきかもしれませんが、GRUは、一時的な特徴抽出、つまりトラフィック速度には十分すぎるほどです。しかし、全体像を見ることで得られる情報はありますか?多くのセグメント間の交通道路速度の依存性について考えるかもしれません。GCNはこの依存関係を表すことができます。

それに取り組むための提案されたアプローチは[2]で提示されました。交通ネットワークはグラフとして定義され、交通速度はこのグラフ上の信号と​​して定義されました。これは、静的な構造(道路)と時変機能を備えたグラフの優れた例です。道路網をグラフと見なすということは、道路の個々のセグメントがグラフ上のノードであり、それらのセグメント間の接続がエッジであることを意味します。ご存知かもしれませんが、このグラフは時間の経過とともに(ほとんど)変化しません。ただし、実際にはトラフィック量は変化します。したがって、空間的特徴と時間的特徴の両方をキャプチャする必要があります。

このアーキテクチャには、この説明されている問題にグラフ畳み込み層とゲート付き回帰ユニット(GRU)層が含まれています。

トラフィック予測のためのGCNおよびGRUアーキテクチャ。T-GCN:交通予測のための時間グラフ畳み込みネットワーク。Ling Zhao et al。、高度道路交通システムに関するIEEEトランザクション

— — —

道路セグメントのデータセットについて少し詳しく見ていきましょう。相関を計算して、異なるセグメント間に依存関係があるかどうかを学習します。もしそうなら、GCNの使用には明確な正当性があります。そのために、データセット内の228本から26本の道路を選択し、相関マップをプロットしました。

相関マップ(作成者による)

明らかに、セグメント4–5–6–7と19–20–21は高度に相関しています。したがって、GCNのように空間的特徴を含めるという確固たる動機があります。彼らの論文では、Ling Zhaoetal。空間的特徴のためのグラフ畳み込み層と時間的特徴のためのGRU層からなるグラフの予測を可能にするアーキテクチャを提案しました。コード[3]で遊んで、高速の「実行と再生」[4]のためにColabに配置しました。予測はかなり良かったので、別の方法で調整し、より多くのエポックを実行して、他のモデルと比較することをお勧めします。

Keras.io時系列トラフィック予測チュートリアル

概要

グラフ畳み込みネットワークは、非常にユニークで革新的な概念です。時系列ドメインには多くのアプリケーションがあり、いくつかの時間コンポーネントを含めるように概念を調整する必要があります。TGCNの能力を実証するために交通速度予測問題について議論し、動機を強調するために相関マップを提示しました。

著者について

バラクまたは理学士号を取得 (2016)、M.Sc。(2018)航空宇宙工学の学位、およびイスラエル工科大学テクニオン校で経済学と経営学の学士号(2016年、Cum Laude)を取得。彼はQualcomm(2019–2020)に所属し、主に機械学習と信号処理アルゴリズムを扱っていました。バラクは現在、博士号取得に向けて勉強しています。ハイファ大学で。彼の研究対象には、センサーフュージョン、ナビゲーション、深層学習、推定理論が含まれます。

さらに読むとコメント

[1] GCNは、「グラフ上のスペクトルネットワークと深く局所的に接続されたネットワーク」で最初に導入されました(Bruna et al、2014)。

[2] Ling Zhao et alによる「T-GCN:交通予測のための時間グラフ畳み込みネットワーク」という名前の論文がIEEE、2020年に公開されました。

[3]付随するコードは、Kerasのチュートリアルページにあります。ウェブサイトで。Arash Khodadadiは、このペーパーのKerasチュートリアルの著者です。

[4] Colabの実装:Timeseries_Traffic_Forecasting

[5]ディープグラフニューラルネットワークが必要ですか—MichaelBronstein著

© Copyright 2021 - 2022 | hachiwiki.com | All Rights Reserved