論文の概要: Graph Gamma Process Generalized Linear Dynamical Systems
- arxiv url: http://arxiv.org/abs/2007.12852v1
- Date: Sat, 25 Jul 2020 04:16:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 00:59:46.656029
- Title: Graph Gamma Process Generalized Linear Dynamical Systems
- Title(参考訳): グラフガンマ過程一般化線形力学系
- Authors: Rahi Kalantari and Mingyuan Zhou
- Abstract要約: 実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。
時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。
非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
- 参考スコア(独自算出の注目度): 60.467040479276704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce graph gamma process (GGP) linear dynamical systems to model
real-valued multivariate time series. For temporal pattern discovery, the
latent representation under the model is used to decompose the time series into
a parsimonious set of multivariate sub-sequences. In each sub-sequence,
different data dimensions often share similar temporal patterns but may exhibit
distinct magnitudes, and hence allowing the superposition of all sub-sequences
to exhibit diverse behaviors at different data dimensions. We further
generalize the proposed model by replacing the Gaussian observation layer with
the negative binomial distribution to model multivariate count time series.
Generated from the proposed GGP is an infinite dimensional directed sparse
random graph, which is constructed by taking the logical OR operation of
countably infinite binary adjacency matrices that share the same set of
countably infinite nodes. Each of these adjacency matrices is associated with a
weight to indicate its activation strength, and places a finite number of edges
between a finite subset of nodes belonging to the same node community. We use
the generated random graph, whose number of nonzero-degree nodes is finite, to
define both the sparsity pattern and dimension of the latent state transition
matrix of a (generalized) linear dynamical system. The activation strength of
each node community relative to the overall activation strength is used to
extract a multivariate sub-sequence, revealing the data pattern captured by the
corresponding community. On both synthetic and real-world time series, the
proposed nonparametric Bayesian dynamic models, which are initialized at
random, consistently exhibit good predictive performance in comparison to a
variety of baseline models, revealing interpretable latent state transition
patterns and decomposing the time series into distinctly behaved sub-sequences.
- Abstract(参考訳): 実数値多変量時系列をモデル化するためにグラフガンマ過程(GGP)線形力学系を導入する。
時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の集合に分解するために用いられる。
各サブシーケンスにおいて、異なるデータ次元はしばしば類似した時間パターンを共有するが、異なる大きさを示すため、全てのサブシーケンスの重ね合わせによって異なるデータ次元での多様な振る舞いを示すことができる。
我々はさらに、ガウス観測層を負二項分布に置き換え、多変量時系列をモデル化することで、提案モデルを一般化する。
提案された ggp から生成される無限次元有向スパースランダムグラフは、可算無限個のノードの同じ集合を共有する可算無限の2次隣接行列の論理あるいは演算をとることによって構成される。
これらの隣接行列はそれぞれ、その活性化強度を示す重みに関連付けられ、同じノード群に属するノードの有限部分集合の間に有限個のエッジを配置する。
非零度ノード数が有限である生成ランダムグラフを用いて、(一般化された)線形力学系の潜在状態遷移行列のスパーシティパターンと次元の両方を定義する。
全体活性化強度に対する各ノードコミュニティの活性化強度を用いて、多変量サブシーケンスを抽出し、対応するコミュニティが取得したデータパターンを明らかにする。
合成および実世界の時系列において、ランダムに初期化される非パラメトリックベイズ力学モデルは、様々なベースラインモデルと比較して一貫して良好な予測性能を示し、解釈可能な潜在状態遷移パターンを明らかにし、時系列をはっきりと振る舞うサブシーケンスに分解する。
関連論文リスト
- Nonlinear time-series embedding by monotone variational inequality [6.992239210938067]
非線形時系列の低次元表現を教師なしで学習する新しい手法を提案する。
学習された表現は、クラスタリングや分類といった下流の機械学習タスクに使用することができる。
論文 参考訳(メタデータ) (2024-06-11T02:19:31Z) - ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks [9.006068771300377]
本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。
提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
論文 参考訳(メタデータ) (2024-05-28T10:40:20Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳(メタデータ) (2024-02-26T04:39:01Z) - 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) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Analyzing Unaligned Multimodal Sequence via Graph Convolution and Graph
Pooling Fusion [28.077474663199062]
本稿では,マルチモーダルシーケンシャルデータモデリングにおけるグラフニューラルネットワーク(GNN)の有効性を検討するために,マルチモーダルグラフと呼ばれる新しいモデルを提案する。
グラフベースのモデルは、2つのベンチマークデータセット上で最先端のパフォーマンスに達する。
論文 参考訳(メタデータ) (2020-11-27T06:12:14Z) - The multilayer random dot product graph [6.722870980553432]
ランダムドット積グラフ(ランダムドット積グラフ)と呼ばれる潜在位置ネットワークモデルの包括的拡張を提案する。
本稿では,サブマトリクスを適切な潜在空間に埋め込む手法を提案する。
単一グラフ埋め込みによるリンク予測の実証的な改善がサイバーセキュリティの例で示されている。
論文 参考訳(メタデータ) (2020-07-20T20:31:39Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。