Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
UQGNN: Cuantificación de la incertidumbre de redes neuronales gráficas para la predicción espaciotemporal multivariante
Created by
Haebom
Autor
Dahai Yu, Dingyi Zhuang, Lin Jiang, Rongchao Xu, Xinyue Ye, Yuheng Bu, Shenhao Wang, Guang Wang
Describir
Este artículo propone una nueva red neuronal de grafos (UQGNN) con cuantificación de incertidumbre para la predicción espaciotemporal multivariante. Para superar la limitación de los modelos de predicción espaciotemporal deterministas existentes que no pueden cuantificar la incertidumbre, UQGNN introduce un módulo de incrustación espaciotemporal con capacidad de interacción (que integra una red convolucional de grafo de difusión multivariante y una red convolucional temporal con capacidad de interacción) y un módulo de predicción probabilística multivariante. Captura eficazmente patrones complejos de interacción espacial y temporal y estima tanto la media predicha como la incertidumbre asociada. Experimentos extensos en cuatro conjuntos de datos espaciotemporales multivariantes del mundo real de Shenzhen, Nueva York y Chicago demuestran que UQGNN supera consistentemente a los modelos de referencia de vanguardia tanto en precisión de predicción como en cuantificación de incertidumbre. Por ejemplo, en el conjunto de datos de Shenzhen, UQGNN logra una mejora del 5% tanto en precisión de predicción como en cuantificación de incertidumbre.
Takeaways, Limitations
•
Takeaways:
◦
Se presenta un nuevo método para cuantificar la incertidumbre en la predicción espaciotemporal multivariada.
◦
Modelado efectivo de interacciones espaciotemporales complejas a través de módulos de incrustación espaciotemporales conscientes de la interacción.
◦
Los resultados experimentales verifican el excelente desempeño de UQGNN.
◦
Considerando la correlación entre diversos fenómenos urbanos.
•
Limitations:
◦
Se necesita más investigación sobre el rendimiento de generalización del modelo propuesto.
◦
Limitado a la evaluación del desempeño en datos de ciudades específicas, se necesitan más experimentos en conjuntos de datos de diferentes regiones y tamaños.
◦
Falta de análisis del coste computacional y complejidad.
