論文の概要: Forecasting Multi-Dimensional Processes over Graphs

• arxiv url: http://arxiv.org/abs/2004.08260v1
• Date: Fri, 17 Apr 2020 14:14:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 13:53:34.859048
• Title: Forecasting Multi-Dimensional Processes over Graphs
• Title（参考訳）: グラフによる多次元プロセスの予測
• Authors: Alberto Natali, Elvin Isufi, Geert Leus
• Abstract要約: そこで我々は,グラフベクトル自己回帰モデルに基づく新しい枠組みを考案し,新しい手法を提案する。 より明確には、高次元グラフデータをモデル化するために製品グラフを利用する。 移動点雲の予測を示す数値的な結果は,我々の発見を裏付けるものである。
• 参考スコア（独自算出の注目度）: 34.23046028631646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The forecasting of multi-variate time processes through graph-based techniques has recently been addressed under the graph signal processing framework. However, problems in the representation and the processing arise when each time series carries a vector of quantities rather than a scalar one. To tackle this issue, we devise a new framework and propose new methodologies based on the graph vector autoregressive model. More explicitly, we leverage product graphs to model the high-dimensional graph data and develop multi-dimensional graph-based vector autoregressive models to forecast future trends with a number of parameters that is independent of the number of time series and a linear computational complexity. Numerical results demonstrating the prediction of moving point clouds corroborate our findings.
• Abstract（参考訳）: 近年,グラフ信号処理フレームワークにおいて,多変量時間プロセスのグラフベース手法による予測が試みられている。 しかし、表現と処理における問題は、各時系列がスカラーではなく量ベクトルを持つときに生じる。 この問題に対処するため,グラフベクトル自己回帰モデルに基づく新しい枠組みを考案し,新しい手法を提案する。 より明確には、製品グラフを利用して高次元グラフデータをモデル化し、多次元グラフに基づくベクトル自己回帰モデルを開発し、時系列数や線形計算複雑性とは無関係なパラメータで将来のトレンドを予測する。 移動点雲の予測を示す数値的な結果は,我々の発見を裏付けるものである。

関連論文リスト

• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• Overcoming Order in Autoregressive Graph Generation [12.351817671944515]
  グラフ生成は、化学やソーシャルネットワークなど、さまざまな領域における基本的な問題である。 近年の研究では、リカレントニューラルネットワーク(RNN)を用いた分子グラフ生成が、従来の生成手法と比較して有利であることが示されている。
  論文  参考訳（メタデータ） (2024-02-04T09:58:22Z)
• Deep Prompt Tuning for Graph Transformers [55.2480439325792]
  ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。 ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。 事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
  論文  参考訳（メタデータ） (2023-09-18T20:12:17Z)
• Forecasting Graph Signals with Recursive MIMO Graph Filters [24.003433487241246]
  グラフ上の時系列の予測は、グラフ信号処理における根本的な問題である。 既存のアプローチでは、より大きなグラフを作成するために、この多次元情報を組み合わせるために製品グラフを使用する。 本稿では,そのようなアプローチの限界を示すとともに,それらに取り組むための拡張を提案する。
  論文  参考訳（メタデータ） (2022-10-27T08:25:31Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Learning Sparse and Continuous Graph Structures for Multivariate Time Series Forecasting [5.359968374560132]
  Learning Sparse and Continuous Graphs for Forecasting (LSCGF)は、グラフ学習と予測に結合する新しいディープラーニングモデルである。 本稿では,スムーズ・スパース・ユニット (SSU) という新しい手法を提案する。 我々のモデルは、訓練可能な小さなパラメータで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-01-24T13:35:37Z)
• A Study of Joint Graph Inference and Forecasting [13.340967777671565]
  多変量時系列の予測を改善するためにグラフニューラルネットワーク(GNN)を用いた最近のモデルのクラスについて検討する。 グラフを微分可能な方法でパラメータ化することで、モデルは予測品質を改善することを目指している。
  論文  参考訳（メタデータ） (2021-09-10T16:34:35Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。