【论文精读】AGCRN-自适应图卷积循环神经网络

最新推荐文章于 2025-02-23 12:23:29 发布
最新推荐文章于 2025-02-23 12:23:29 发布
阅读量941 收藏
点赞数
分类专栏： 时序预测算法 文章标签： 时空预测 GCN GRU AGCRN 交通预测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WenWu_Both/article/details/139622507
版权

AGCRN 模型是新南威尔士大学和悉尼科技大学的 Bai 等人发表在 N e u r I P S 2020 NeurIPS 2020 Neur

了解本专栏 订阅专栏 解锁全文
【论文精读】DCRNN-扩散图卷积循环神经网络
打酱油的葫芦娃
06-06 919
该论文提出了一种名为Diffusion Convolutional Recurrent Neural Network (DCRNN)的深度学习框架，用于交通流量预测。DCRNN通过将交通流视为有向图上的扩散过程，建立了双向扩散图卷积层来捕获交通流的空间依赖，利用编码器-解码器架构和策略采样技术捕捉时间依赖性。在两个大规模真实世界道路交通数据集上的评估显示，DCRNN在预测性能上比现有最先进的基线提高了12% - 15%。
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）
热门推荐
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-11 1万+
我们提出了一种用于单幅图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射被表示为深度卷积神经网络(CNN)，它以低分辨率图像为输入，输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的 SR 方法也可以被视为深度卷积网络。但是与单独处理每个组件的传统方法不同，我们的方法联合优化所有层。我们的深度 CNN 具有轻量级结构，但展示了最先进的恢复质量，并实现了实际在线使用的快速速度。我们探索了不同的网络结构和参数设置，以实现性能和速度之间的权衡。此外，我们扩展了我们的
Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting 论文理解+机翻
小王同学
09-19 1339
背景：快速的城市化带来了人口的增长，并带来了巨大的流动性和挑战性。在这些挑战中，智能交通系统是一个重要领域，交通预测是城市交通管理的重要部分。问题描述：论文关注的是如何准确的预测未来的交通状况，例如交通流量和速度、乘客需求等。方法：传统的预测方法采用时间序列模型，它们无法捕捉到大规模交通的非线性相关性和复杂的时空模式。论文提出了一种叫做 Adaptive Graph Convolutional Recurrent Network （AGCRN）的方法。
Loss为nan
weixin_44619599的博客
04-11 198
记录一下，今天在跑AGCRN网络的时候loss出现了nan，百思不得其解，把学习率降低到很低的（1e-8）都没有效果，查阅资料才发现，自己是在用每个样本168个数据点作为训练数据去预测，这个时间序列有些长，使用递归网络进行预测时，尽管时GRU类型的网络，也会容易出现梯度爆炸现象，减小训练数据时间点就解决问题了。
人体骨架识别文献阅读——2s-AGCN：基于骨架动作识别的双流自适应图卷积网络
qq_60040306的博客
02-23 1194
本周阅读的论文题目是《Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition》(《基于骨骼动作识别的双流自适应图卷积网络》)。在基于骨骼的动作识别中，将人体骨骼建模为时空图的图卷积网络ST-GCN取得了显著性能。然而，在ST-GCN等GCN方法中，图的拓扑结构是手动设置的，并且在所有层和输入样本中固定不变，这可能不适合层次化GCN和动作识别任务中的多样化样本。
论文笔记：Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting
qq_40206371的博客
02-02 796
当前的大多数深度学习方法基于共享参数设计模型不同节点对应同一套参数但是，由于每条道路的具体情况不一样，使用同一套参数无法捕捉细粒度的数据模式——>这篇论文设计了节点自适应参数学习(NAPL)模块，分解传统GCN中的参数，每个节点有自己的一套参数当前模型大多使用邻接矩阵来预定义一个图，以捕捉空间相关性这个图不一定能完整地表示空间依赖性‘——>这篇论文设计了数据自适应图生成(DAGG)模块，自动推断不同序列之间的相互依赖关系。
AGCRN论文解读
雷东宸的博客
12-08 1146
对论文AGCRN（Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting）做粗略解读！
【论文翻译 KDD2020】AM-GCN: Adaptive Multi-channel Graph Convolutional Networks 自适应多通道图卷积网络
qq_36291847的博客
05-15 1777
文章目录摘要1 引言23 AM-GCN3.1 特定卷积模块3.2 共同卷积模块三级目录 论文链接： 论文代码： 作者：北京邮电大学等人 摘要 图卷积网络(GCNs)在处理各种关于图和网络数据的分析任务中得到了广泛的应用。然而，最近的一些研究提出了关于GCNs能否在具有丰富信息的复杂图中最优地整合节点特征和拓扑结构的担忧。在本文中，我们首先进行了实验研究。令人惊讶的是，我们的实验结果清楚地表明，最先进的GCNs在融合节点特征和拓扑结构方面的能力远未达到最优，甚至令人满意。这一缺陷可能会严重阻碍GCNs在某些分
图卷积网络-自适应的图卷积网络建模骨骼点数据进行行为识别
yychentracy的博客
06-27 4007
简介 由于基于RGB的行为识别容易受到视角的变化以及复杂背景的干扰，从而导致泛化性能不足，很那应用到实际生活中，基于骨骼点数据的识别可以很好地解决这个问题。将人体定义为25个关键关节点的三维坐标，行为往往以视频的形式存在着，所以长度为T的行为可以用25T3来表示。 传统的行为识别 传统的基于骨骼点的行为识别是基于深度学习方法可以分为RNN和基于CNN的，RNN的方法可以将数据表示为三维的向量，然后...
用于交通预测的自适应图卷积递归网络
stranger_Ss的博客
05-14 1478
交通预测最近的工作主要集中在设计复杂的图神经网络结构，借助预定义的图来捕获共享模式。本文认为学习特定于节点的模式对于交通预测至关重要，而预定义的图是可以避免的。我们提出了两个自适应模块来增强图卷积网络（GCN）的新功能：1）节点自适应参数学习（NAPL）模块，捕获特定于节点的模式；2） 数据自适应图生成（DAGG）模块，用于自动推断不同交通序列之间的相互依赖关系。提出了一种自适应图卷积递归网络（AGCRN）。基于这两个模块和递归网络自动捕获交通序列中的细粒度空间和时间相关性。 传统方法只是应用时间序列模型
GCN论文阅读与代码梳理（1）——AGCRN
fmf1287的博客
10-27 3093
传统基于GCN的流量预测需要通过距离或相似度定义邻接矩阵，预先定义的图不能包含关于空间依赖性的完整信息，与预测任务没有直接关系，这可能导致相当大的偏差。此外，如果没有适当的知识，这些方法无法适用于其他领域，使得现有的基于GCN的模型失效。因此，提出了DAGG进行图的自适应学习。 通过两个自适应模块来增强GCN，以完成交通预测任务: Node Adaptive Parameter Learning (NAPL) module（节点自适应参数学习方法）: Data Adaptiv..
探索未来——ConvNet-AIG：自适应推理图的卷积网络
gitblog_00074的博客
06-03 411
探索未来——ConvNet-AIG：自适应推理图的卷积网络 convnet-aigPyTorch implementation for Convolutional Networks with Adaptive Inference Graphs项目地址:https://gitcode.com/gh_mirrors/co/convnet-aig 在深度学习的世界里，突破性的进步总是在不经意间发生。今...
论文精读Low-Rank Matrix Approximation with Mainfold Regularization
05-27
本文献综述了一篇关于“低秩矩阵近似与流形正则化”（Low-Rank Matrix Approximation with Manifold Regularization）的研究论文。这篇论文探讨了如何结合流行学习（流形学习）和线性降维技术来优化低秩矩阵近似问题...
论文精读---深度学习经典论文
weixin_45725952的博客
10-06 1642
通过使用先进的GPU技术和有效的正则化方法，本文所提出的模型在当时最大的图像分类竞赛中取得了突破性的成绩，从而推动了深度学习在计算机视觉领域的发展。为了验证模型的有效性，作者不仅报告了单个模型的结果，还尝试了多个模型预测结果的平均值，并且探索了不同网络结构的影响，比如增加额外的卷积层等。深度卷积神经网络，摘得了2012年ILSVRC比赛的桂冠，该文章的重要意义在于其在ImageNet比赛中以巨大的优势击败了其它非神经网络的算法，在此之前，神经网络一直处于不被认可的状态。因此，该数据集是可以公开访问的。
卷积层数据放大_AAAI 2018 | 腾讯提出自适应图卷积神经网络，接受不同图结构和规模的数据...
weixin_39953244的博客
12-20 329
原标题：AAAI 2018 | 腾讯提出自适应图卷积神经网络，接受不同图结构和规模的数据选自arXiv作者：Ruoyu Li等参与：路雪近日，AAAI 2018 发布接收论文列表，腾讯 AI Lab 共入选 11 篇。在论文《Adaptive Graph Convolutional Neural Networks》中，腾讯联合德克萨斯大学阿灵顿分校提出自适应图卷积神经网络 AGCN，可接受任意图结...
深度识别：论文阅读_2S-AGCN CVPR2019（基于骨架的动作识别的两流自适应图卷积网络）
zhe470719的博客
11-25 4519
这里写目录标题资料过去问题主要贡献自适应图卷积层自适应图卷积块自适应图卷积网络双流网络 资料 论文：论文 源码：代码 过去问题 图的拓扑是手动设置的，并且固定在所有图层和输入样本上 骨骼数据的二阶信息（骨骼的长度和方向）对于动作识别自然是更有益和更具区分性的，在现有方法中很少进行研究。 ST-GCN图形构建过程中三个缺点： 1.使用的骨架图是启发式预定义的，仅表示人体物理结构，对动作识别不是最佳。 例如读书和拍手，两只手的关系很重要，但是ST-GCN预定义的人体图中彼此距离很远，很难捕获两只手的关系；
动态不确定性时空图建模系列（四）: AGCRN
zuiyishihefang的博客
11-12 3023
1、文章信息《Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting》。这是新南威尔士大学发表在计算...
基于自适应图卷积网络的轨道交通短时客流预测
zuiyishihefang的博客
10-11 1544
文章信息论文题目为《Adaptive graph convolutional network-based short-term passenger flow prediction for metro》的一篇2023年5月发表在Journal of Intelligent Transportation Systems的基于自适应图卷积网络的轨道交通短时客流预测文章。摘要随着城市化进程的发展和加快...
Adaptive Propagation Graph Convolutional Network
qq_39634092的博客
12-01 1114
文章链接 有道翻译的也是用了第一人称。如果有错，一定是你对。 题目：Adaptive Propagation Graph Convolutional Network 自适应传播图卷积网络 摘要： 图卷积网络(GCNs)是一类神经网络模型，通过交叉顶点操作和跨节点的消息传递交换对图数据进行推理。关于后者，出现了两个关键问题:1)如何设计一个可微交换协议(例如，原始GCN中的一跳拉普拉斯平滑)，2)如何在复杂性上描述相对于本地更新的权衡。在本文中，我们展示了最先进的结果可以通过在每个节点上独立地调整通信步数来实
AGCRN
最新发布
03-31
### Adaptive Graph Convolutional Recurrent Network (AGCRN) #### 方法概述 Adaptive Graph Convolutional Recurrent Network (AGCRN) 是一种结合图卷积神经网络（Graph Convolutional Networks, GCNs）和循环神经网络（Recurrent Neural Networks, RNNs）的深度学习框架，旨在解决交通流量预测中的复杂时空依赖问题。传统的时间序列模型难以捕捉大规模交通系统的非线性相关性和复杂的时空模式[^2]。 AGCRN 的核心在于其能够自适应地捕获交通流时间序列中的细粒度时空依赖关系。为了实现这一目标，该方法引入了两个关键模块：节点自适应参数学习（Node Adaptive Parameter Learning, NAPL）模块和数据自适应图生成（Data Adaptive Graph Generation, DAGG）模块[^5]。 #### 关键技术 ##### 1. **节点自适应参数学习（NAPL）** NAPL 模块的主要功能是对传统 GCN 中的共享参数进行分解，从而为每个节点生成特定的参数。具体而言，这种方法通过从全局共享的权重池和偏差池中提取信息，并结合节点嵌入（node embedding），生成针对每个节点的独特参数。这种机制使得 AGCRN 能够更好地捕捉不同节点间的异质特性以及细粒度的空间相关性。 ##### 2. **数据自适应图生成（DAGG）** DAGG 模块负责动态推断不同交通序列之间的相互依赖关系。与现有方法通常需要预定义一个固定的图结构相比，DAGG 可以自动调整并优化图结构，使其更贴合实际的交通流动态变化。这不仅提高了模型的灵活性，还增强了其对复杂空间依赖性的建模能力。 ##### 3. **图卷积与递归架构的融合** AGCRN 将 GCN 和 RNN 结合在一起，形成了一种混合架构。其中，GCN 层用于处理空间维度上的特征交互，而 RNN 则专注于时间维度上长期依赖的学习。这样的设计允许模型同时考虑时间和空间两方面的因素，在多步预测任务中表现出色。 #### 应用场景 AGCRN 主要应用于交通流量预测领域，但它所提出的创新理念——即通过自适应方式捕捉时空依赖关系——也可以扩展至其他涉及复杂网络数据分析的任务中。例如，它可以被用来分析社交媒体传播、电力负荷预测或者金融市场的波动趋势等问题[^3]。 #### 实验验证 实验表明，AGCRN 在多个公开数据集上的表现优于现有的基线模型。特别是在面对具有高度不确定性和非平稳特性的交通系统时，它的优势更加明显。这是因为 AGCRN 不仅可以灵活应对不同的节点属性差异，还能有效地挖掘隐藏在高维数据背后的深层次规律。 ```python import torch from torch_geometric.nn import GATConv class NodeAdaptiveParameterLearning(torch.nn.Module): def __init__(self, input_dim, output_dim): super(NodeAdaptiveParameterLearning, self).__init__() # 定义可学习的参数池 self.weight_pool = torch.nn.Parameter(torch.randn(input_dim, output_dim)) def forward(self, node_embedding): # 根据节点嵌入选择合适的参数 selected_weights = torch.matmul(node_embedding, self.weight_pool) return selected_weights # 假设输入是一个简单的张量 input_tensor = torch.rand((10, 64)) # 批次大小为10，特征维度为64 napl_module = NodeAdaptiveParameterLearning(64, 128) output = napl_module(input_tensor) print(output.shape) # 输出形状应为 (10, 128) ``` 上述代码片段展示了如何实现节点自适应参数学习的核心部分。这里我们使用了一个简化版的例子来说明概念，实际应用可能更为复杂。 --- ####
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值