การประมวลผลสัญญาณ Spatiotemporal ด้วย Deep Learning

PyTorch Geometric Temporalเป็นไลบรารีการเรียนรู้เชิงลึกสำหรับการประมวลผลสัญญาณประสาท spatiotemporal ประกอบด้วยวิธีการเรียนรู้เชิงลึกเชิงเรขาคณิตแบบไดนามิกและเชิงเวลาแบบต่างๆการฝังและการถดถอยเชิงพื้นที่ - ชั่วคราวจากเอกสารงานวิจัยที่ตีพิมพ์หลายฉบับ นอกจากนี้ยังมาพร้อมกับตัวโหลดชุดข้อมูลและตัววนซ้ำที่ใช้งานง่ายสำหรับกราฟไดนามิกและกราฟชั่วคราวรองรับ gpu นอกจากนี้ยังมาพร้อมกับชุดข้อมูลมาตรฐานจำนวนมากพร้อมกราฟชั่วคราวและกราฟไดนามิก (คุณสามารถสร้างชุดข้อมูลของคุณเองได้ด้วย)

ต่อไปนี้เราจะสรุปกรณีศึกษาที่สามารถใช้PyTorch Geometric Tempora l เพื่อแก้ปัญหาการเรียนรู้ของเครื่องที่เกี่ยวข้องในโลกแห่งความเป็นจริง

การพยากรณ์โรคอีสุกอีใส

เรากำลังใช้ชุดข้อมูลกรณีโรคอีสุกอีใสของฮังการีในกรณีศึกษานี้ เราจะฝึกอบรมผู้ถดถอยเพื่อทำนายกรณีรายสัปดาห์ที่รายงานโดยมณฑลโดยใช้เครือข่ายการแปลงกราฟที่เกิดขึ้นซ้ำ ๆ ขั้นแรกเราจะโหลดชุดข้อมูลและสร้างการแยกเชิงพื้นที่ - ชั่วคราวที่เหมาะสม

ต่อไปเราจะกำหนดสถาปัตยกรรมโครงข่ายประสาทแบบกราฟซ้ำที่ใช้ในการแก้งานภายใต้การดูแล ตัวสร้างกำหนดเลเยอร์ DCRNN และเลเยอร์ฟีดฟอร์เวิร์ด สิ่งสำคัญคือต้องสังเกตว่าการไม่เป็นเชิงเส้นขั้นสุดท้ายไม่ได้รวมเข้ากับการดำเนินการ Convolutional ของกราฟที่เกิดซ้ำ หลักการออกแบบนี้ใช้อย่างสม่ำเสมอและนำมาจาก PyTorch Geometric

ด้วยเหตุนี้เราจึงกำหนดความไม่เป็นเชิงเส้นของ ReLU ระหว่างเลเยอร์ที่เกิดซ้ำและเชิงเส้นด้วยตนเอง เลเยอร์เชิงเส้นขั้นสุดท้ายไม่ได้ตามด้วยความไม่เป็นเชิงเส้นเมื่อเราแก้ปัญหาการถดถอย ในขั้นตอนต่อไปเราจะกำหนดสถาปัตยกรรมเครือข่ายประสาทแบบกราฟซ้ำที่ใช้สำหรับการแก้งานภายใต้การดูแล

ให้เรากำหนดโมเดล (เรามีฟีเจอร์โหนด 4 แบบ) และฝึกโมเดลในการฝึกแยก (20% แรกของสแนปช็อตชั่วคราว) เป็นเวลา 200 ยุค เรานำเสนอย้อนกลับเมื่อมีการสะสมการสูญเสียจากทุกภาพรวม เราจะใช้เพิ่มประสิทธิภาพอดัมมีอัตราการเรียนรู้ของ0.01 tqdmฟังก์ชั่นที่ใช้สำหรับวัดความจำเป็นรันไทม์สำหรับแต่ละยุคการฝึกอบรม

การใช้การระงับเราจะประเมินประสิทธิภาพของเครือข่าย Convolutional กราฟที่เกิดขึ้นประจำที่ได้รับการฝึกฝนและคำนวณค่าเฉลี่ยข้อผิดพลาดกำลังสองในหน่วยเชิงพื้นที่และช่วงเวลาทั้งหมด