Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
UQGNN : Quantification de l'incertitude des réseaux neuronaux graphiques pour la prédiction spatio-temporelle multivariée
Created by
Haebom
Auteur
Dahai Yu, Dingyi Zhuang, Lin Jiang, Rongchao Xu, Xinyue Ye, Yuheng Bu, Shenhao Wang, Guang Wang
Contour
Cet article propose un nouveau réseau neuronal graphique (UQGNN) avec quantification de l'incertitude pour la prédiction spatio-temporelle multivariée. Pour surmonter les limites des modèles de prédiction spatio-temporelle déterministes existants qui ne peuvent pas quantifier l'incertitude, UQGNN introduit un module d'intégration spatio-temporelle sensible aux interactions (intégrant un réseau convolutif de graphes de diffusion multivariés et un réseau convolutif temporel sensible aux interactions) et un module de prédiction probabiliste multivariée. Il capture efficacement les modèles d'interaction spatio-temporels complexes et estime à la fois la moyenne prédite et l'incertitude associée. Des expériences approfondies sur quatre ensembles de données spatio-temporelles multivariées du monde réel provenant de Shenzhen, New York et Chicago démontrent que UQGNN surpasse systématiquement les modèles de référence de pointe en termes de précision de prédiction et de quantification de l'incertitude. Par exemple, sur l'ensemble de données de Shenzhen, UQGNN obtient une amélioration de 5 % de la précision de prédiction et de la quantification de l'incertitude.
Takeaways, Limitations_
•
Takeaways:
◦
Une nouvelle méthode de quantification de l’incertitude dans la prédiction spatio-temporelle multivariée est présentée.
◦
Modélisation efficace d'interactions spatio-temporelles complexes grâce à des modules d'intégration spatio-temporelle sensibles aux interactions.
◦
Les résultats expérimentaux vérifient les excellentes performances de l’UQGNN.
◦
Considérant la corrélation entre divers phénomènes urbains.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation du modèle proposé.
◦
Limitée à l’évaluation des performances sur des données urbaines spécifiques, d’autres expériences sont nécessaires sur des ensembles de données de différentes régions et tailles.
◦
Manque d’analyse du coût et de la complexité du calcul.
