Graph Sparsification for GCN Towards Optimal Crop Yield Predictions

要約

農学では、農家が不確実性を最小化し、次の作物サイクルの播種を計画するために、畑や郡ごとの粒度で作物収量を予測することが重要である。最新の予測技術では、グラフ畳み込みネット（GCN）を用いて、関連する特徴や前年の作物収量から将来の作物収量を予測するが、密なグラフカーネルを基礎とするため、長い学習と実行時間を要する。本論文では、GCNの学習・実行の複雑さを軽減するために、完全なグラフカーネルからエッジを除去するフィードラー数に基づくグラフスパース化手法を提案する。具体的には、まず、第2固有値の変化が最小となるタイミングで貪欲にエッジを除去することで、良好なGCN性能を持つスパースグラフを実現することを示す。次に、固有値摂動定理に基づき、繰り返しごとに除去する辺を選択する高速な方法を提案する。実験により、Fiedlerに基づく本手法は、作物収穫量予測において、他のグラフスパース化スキームと比較して、良好なGCN性能を持つスパースグラフを生成することが示された。

要約(オリジナル)

In agronomics, predicting crop yield at a per field/county granularity is important for farmers to minimize uncertainty and plan seeding for the next crop cycle. While state-of-the-art prediction techniques employ graph convolutional nets (GCN) to predict future crop yields given relevant features and crop yields of previous years, a dense underlying graph kernel requires long training and execution time. In this paper, we propose a graph sparsification method based on the Fiedler number to remove edges from a complete graph kernel, in order to lower the complexity of GCN training/execution. Specifically, we first show that greedily removing an edge at a time that induces the minimal change in the second eigenvalue leads to a sparse graph with good GCN performance. We then propose a fast method to choose an edge for removal per iteration based on an eigenvalue perturbation theorem. Experiments show that our Fiedler-based method produces a sparse graph with good GCN performance compared to other graph sparsification schemes in crop yield prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL