Evolving-Graph Gaussian Processes

David Blanco Mulero*, Markus Heinonen, Ville Kyrki

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaKonferenssiesitysScientificvertaisarvioitu

9 Lataukset (Pure)

Abstrakti

Graph Gaussian Processes (GGPs) provide a dataefficient solution on graph structured domains. Existing approaches have focused on static structures, whereas many real graph data represent a dynamic structure, limiting the applications of GGPs. To overcome this we propose evolvingGraph Gaussian Processes (e-GGPs). The proposed method is capable of learning the transition function of graph vertices over time with a neighbourhood kernel to model the connectivity and interaction changes between vertices. We assess
the performance of our method on time-series regression problems where graphs evolve over time. We demonstrate the benefits of e-GGPs over static graph Gaussian Process approaches.
AlkuperäiskieliEnglanti
Sivumäärä6
TilaJulkaistu - heinäkuuta 2021
OKM-julkaisutyyppiEi oikeutettu
TapahtumaInternational Conference on Machine Learning: Time Series Workshop - Virtual, Online
Kesto: 24 heinäkuuta 202124 heinäkuuta 2021
http://roseyu.com/time-series-workshop/
https://roseyu.com/time-series-workshop/

Workshop

WorkshopInternational Conference on Machine Learning: Time Series Workshop
LyhennettäTSW-ICML
KaupunkiVirtual, Online
Ajanjakso24/07/202124/07/2021
www-osoite

Sormenjälki

Sukella tutkimusaiheisiin 'Evolving-Graph Gaussian Processes'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä