总结｜谷歌用GNN提高ETAs准确率

最新推荐文章于 2023-07-26 22:27:50 发布
最新推荐文章于 2023-07-26 22:27:50 发布
阅读量385 收藏
点赞数
分类专栏： GNN 总结 文章标签： 机器学习 人工智能 深度学习 算法
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/weixin_46970982/article/details/108418275
版权
本文总结了DeepMind与Google Maps合作，利用图神经网络（GNN）提高预计到达时间（ETAs）准确性的研究。通过将道路切割成超级路段并构建道路子图，GNN能有效处理复杂交通情况，提高预测性能。此外，文章提到采用MetaGradient调整学习率和自定义多损失函数以增强模型泛化能力。尽管细节有限，但展示了GNN在交通预测领域的潜力。
摘要由CSDN通过智能技术生成

总结｜谷歌用GNN提高ETAs准确率

从Deep Mind的博客看到他们关于交通预测的文章，看完后整理一下。文章很粗糙，只给了一个大体的思路。


这篇文章是Deep Mind和Google Maps合作的工作，主要是提高预计到达时间（ETAs）的准确率。


主要核心思想是：

  1. 把道路切割成一个个的路段，每个路段视为一个节点，路段的相对位置构成节点间的边，形成路网的一个子图（文章称作Supersegments，超级路段）
  2. 然后使用GNN模型来对超级路段的行程时间进行预估。


原文链接：

最低0.47元/天 解锁文章
chengsen.ren
关注
专栏目录
图神经网络 | Python基于GNN和ARIMA的时间序列预测
前程算法屋的博客
11-21 1251
图神经网络 | Python基于GNN和ARIMA的时间序列预测
【GNN基础学习】图模块基本定义 || 图的邻接矩阵 || GNN中常见任务有哪些？ || GNN消息传递方法 || 多层GCN有什么作用？
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
12-06 913
【GNN基础学习】图模块基本定义 || 图的邻接矩阵 || GNN中常见任务有哪些？ || GNN消息传递方法 || 多层GCN有什么作用？
改善图形神经网络，提升GNN性能的三个技巧
数据派THU
05-16 366
来源：DeepHub IMBA 本文约2800字，建议阅读8分钟 本文总结了一些技巧来提高 GNN 模型的性能。GNN 提供了一种在图结构化数据上使用深度学习技术的方法。图结构数据无处不在：从化学（例如分子图）到社交媒体（例如社交网络）以及金融投资（例如 VC 投资网络），GNN 在各种任务中显示出最先进的性能¹ ²。在我的以前的一个实践：在投资者、初创公司和个人组成的投...
DGL教程【四】使用GNN进行链路预测
vincent_duan的专栏
11-26 7209
在之前的介绍中，我们已经学习了使用GNN进行节点分类，比如预测一个图中的节点所属的类别。这一节中我们将教你如何进行链路预测，比如预测任意两个节点之间是不是存在边。 本节你将学到： 构建一个GNN的链路预测模型 在一个小的DGL数据集上训练和评估模型 链路预测 在很多应用中，例如社交推荐、商品推荐以及知识图谱补全中都存在链路预测，就是判断两个节点之间是不是存在一条边。本节将使用论文引用关系数据集，判断两篇论文是否存在引用关系。 这个教程将链路预测定义为一个二分类的问题： 将图中的每个边都视为正样本 对不
#今日论文推荐# GNN与RL如何几何？KSU大学最新《基于图神经网络的强化学习》综述，阐述RL+GNN算法与应用
w1hsxn的博客
06-30 456
图神经网络和强化学习都是机器学习中研究的主流模型，如何结合GNN和RL，是一个有趣的问题。
Reinforcement Learning Enhanced Explainer for Graph Neural Networks强化学习增强的图神经网络解释器
feijianguoer的博客
04-07 408
图神经网络（GNN）最近已经成为图上机器学习任务的革命性技术。在GNN中，图结构通常通过消息传递方案与节点表示相结合，这使得解释更具挑战性。给定经训练的GNN模型，GNN解释器旨在识别最有影响力的子图以解释实例的预测（例如，节点或图），其本质上是图上的组合优化问题。现有的作品解决这个问题的连续松弛或基于搜索的启发式。但它们存在一些关键问题，如违反消息传递和手工制作的启发式，导致较差的可解释性。
WWW2021-深度强化学习、自动机器学习和GNN在推荐系统应用
SmartLab307的博客
04-30 645
转自微信公众号：浅梦的学习笔记 原址链接：https://mp.weixin.qq.com/s?__biz=MjM5MzY4NzE3MA==&mid=2247493556&idx=1&sn=e62c31c32dee4bd2d8151c9370bb3e04&chksm=a691945991e61d4f23ac5bf42a137e8626a217b17df971267d8543cd06fce450fb0acde0cb0a&mpshare=1&scene=23&am
Strategies for Pre-training Graph Neural Networks | PreGNN | GNN预训练策略 | Meta-MGNN初始参数获取
xxxxxxbaby的博客
12-09 931
GNN的预训练策略PreGNN，可以同时获取图级和节点级的信息。
NAACL 2021 | QA-GNN：基于语言模型和知识图谱的问答推理
Paper weekly
04-27 2244
©PaperWeekly 原创 ·作者｜刘兴贤学校｜北京邮电大学硕士生研究方向｜自然语言处理论文标题：QA-GNN: Reasoning with Language Models and...
GNN_RL:pytorch几何库进行强化学习
03-04
GNN_RL pytorch几何库进行强化学习 在强化学习框架上测试图神经网络的可行性。 使用具有美白基线的REINFORCE算法和carpole-v1环境 GATConv（图形关注网络）也可以作为选择
当深度强化学习（DRL）遇见图神经网络（GNN）
最新发布
山高路远，看世界，也找自己
07-26 1685
将图神经网络（GNN）与深度强化学习（DRL）相结合。新的DRL+GNN体系结构能够在任意网络拓扑图上学习、操作和生成。 图神经网络(Graph Neural Networks，GNN)是一种新型的神经网络，用于对图结构信息进行操作。它们的基本形式是将一些初始状态与图中的不同元素相关联，然后结合这些元素在图中的相互关系。迭代算法更新状态元素并使用最终状态产生输出.
《深入浅出图神经网络：GNN原理解析》学习笔记
且视他人之疑目如盏盏鬼火,大胆地去走你的夜路
03-09 1722
期末考完了，该上道了 目录一、图的概述1.基本概念2.图的存储和遍历3.应用分类二、神经网络基础1.机器学习2.神经网络三、卷积神经网络（CNN）1.卷积与池化2.卷积神经网络四、表示学习1.意义2.自编码器五、图信号处理与图卷积神经网络1.矩阵计算前置知识2.图信号与图的拉普拉斯矩阵3.图傅里叶变换4.图滤波器（Graph Filter）5.图卷积神经网络（GCN） 一、图的概述 1.基本概念 1.顶点（Vertex）表示研究的对象，边（Edge）表示两个对象之间特定的研究关系 2.图为顶点和边的集合.
图神经网络让预估到达准确率提升50%，谷歌地图实现新突破
我爱计算机视觉
09-05 614
本文经机器之心（微信公众号：almosthuman2014）授权转载，禁止二次转载。机器之心报道编辑：魔王、杜伟、小舟公交车、出租车等交通工具的到达时间是影响公众出行的一大因素。所以，预...
如何理解对数似然损失函数
MD
07-23 9643
介绍 通过最大似然估计值来衡量损失。 最大似然估计的原理是：找到一组估计值，使得未知参数取该组估计值时，观察值以最大概率出现。 设总体 XXX 为离散型随机变量，其分布律为 P(X=xk)=p(xk,θ),k=1,2…P(X=x_k)=p(x_k,\theta), k=1,2\dotsP(X=xk​)=p(xk​,θ),k=1,2…，其中 θ\thetaθ 是待估参数，则 X1=x−1，X2=x2,…,XN=xnX_1=x-1，X_2=x_2,\dots,X_N=x_nX1​=x−1，X2​=x2​,…,X
深度强化学习
喜欢打酱油的老鸟
02-04 3685
https://www.toutiao.com/a6652493457161978376/ 2019-01-31 11:12:13 深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的图像进行控制，是一种更接近人类思维方式的人工智能方法。 简介   深度强化学习的框架 深度学习具有较强的感知能力，但是缺乏一定的决策能力;而强化学习具有决策能力，对感知问题束...
Google谷歌的未来 & 野心：2017 Google I/O 大会 全程回顾
热门推荐
Carson带你学Android
05-18 2万+
前言 在刚过去的凌晨（北京时间 5月18日 1.00-3.00），一年一度的2017年 Google I/O大会 在美国 谷歌山景城 海岸线圆形剧场 如期举行 Google I/O 大会：Innovation in the Open，开放中创新，是Google官方举办的开发者大会 面向 开发者，会议内容是：更新和发布Google的新产品 & 技术 对比于 网上内容相
几种GNN模型的应用与改进
Wisley的读书笔记分享
11-20 3870
近期又陆续看了一些关于GNN的文章，这些文章总体上都是想要解决一个问题，就是如何从大规模图数据中，能有效嵌入节点和拓扑结构的信息，同时降低计算的复杂度，缓解过拟合的风险。有效地对图结构数据的节点进行embedding就需要考虑数据本身的特征，同时也要考虑不同应用场景以及下游任务的目标。 在实际场景中，图数据本身就是错综复杂的，节点直接的联系有些是我们可以从先验知识中得到的，有些是无法直接定义，或者需要从模型中隐式地学习。关于图的描述和学习就有很多方法，比如从邻近的定义有deepwalk、Node2Vec、m
深度学习：GNN模型详解与应用
"GNN讲义pdf超详细" 在信息技术领域，图神经网络（GNN，Graph Neural Networks）已经成为一种非常重要的模型，特别是在处理非结构化数据，尤其是图数据时。GNN是一种深度学习框架，它能够对图的节点、边和整体结构...
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