論文の概要: Multivariate Time Series Classification with Hierarchical Variational
Graph Pooling
- arxiv url: http://arxiv.org/abs/2010.05649v2
- Date: Sat, 6 Nov 2021 01:35:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 05:56:15.181012
- Title: Multivariate Time Series Classification with Hierarchical Variational
Graph Pooling
- Title(参考訳): 階層的変動グラフポーリングを用いた多変量時系列分類
- Authors: Ziheng Duan, Haoyan Xu, Yueyang Wang, Yida Huang, Anni Ren, Zhongbin
Xu, Yizhou Sun, Wei Wang
- Abstract要約: 既存のディープラーニングに基づくMTSC技術は、主に単一時系列の時間依存性に関係している。
MTSの表現的グローバル表現を得るために,グラフプーリングに基づく新しいフレームワークMTPoolを提案する。
10のベンチマークデータセットの実験では、MTSCタスクでMTPoolが最先端の戦略を上回っている。
- 参考スコア(独自算出の注目度): 23.66868187446734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the advancement of sensing technology, multivariate time series
classification (MTSC) has recently received considerable attention. Existing
deep learning-based MTSC techniques, which mostly rely on convolutional or
recurrent neural networks, are primarily concerned with the temporal dependency
of single time series. As a result, they struggle to express pairwise
dependencies among multivariate variables directly. Furthermore, current
spatial-temporal modeling (e.g., graph classification) methodologies based on
Graph Neural Networks (GNNs) are inherently flat and cannot aggregate hub data
in a hierarchical manner. To address these limitations, we propose a novel
graph pooling-based framework MTPool to obtain the expressive global
representation of MTS. We first convert MTS slices to graphs by utilizing
interactions of variables via graph structure learning module and attain the
spatial-temporal graph node features via temporal convolutional module. To get
global graph-level representation, we design an "encoder-decoder" based
variational graph pooling module for creating adaptive centroids for cluster
assignments. Then we combine GNNs and our proposed variational graph pooling
layers for joint graph representation learning and graph coarsening, after
which the graph is progressively coarsened to one node. At last, a
differentiable classifier takes this coarsened representation to get the final
predicted class. Experiments on ten benchmark datasets exhibit MTPool
outperforms state-of-the-art strategies in the MTSC task.
- Abstract(参考訳): 近年, センシング技術の進歩に伴い, 多変量時系列分類 (MTSC) が注目されている。
既存のディープラーニングベースのMTSC技術は、主に畳み込みニューラルネットワークやリカレントニューラルネットワークに依存しており、主に単一時系列の時間依存性に関係している。
その結果,多変数変数間の相互依存関係を直接表現することが困難になった。
さらに、グラフニューラルネットワーク(GNN)に基づく現在の時空間モデリング(グラフ分類)手法は本質的に平坦であり、階層的な方法でハブデータを集約することはできない。
これらの制約に対処するため,新しいグラフプーリングベースのフレームワークMTPoolを提案し,MSSの表現的グローバル表現を得る。
まず,MTSスライスをグラフ構造学習モジュールによる変数の相互作用を利用してグラフに変換し,時間的畳み込みモジュールによる時空間グラフノードの機能を実現する。
グローバルなグラフレベルの表現を得るために,クラスタ割り当てのための適応セントロイドを作成するための変分グラフプーリングモジュールを設計する。
次に,GNNと共用グラフ表現学習とグラフ粗化のための変分グラフプーリング層を組み合わせて,グラフを1つのノードに段階的に粗化する。
最終的に、微分可能分類器はこの粗い表現を受け取り、最終的な予測クラスを得る。
10のベンチマークデータセットの実験では、MTSCタスクにおけるMTPoolの最先端戦略を上回っている。
関連論文リスト
- DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。
既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。
本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
論文 参考訳(メタデータ) (2024-11-05T11:46:27Z) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳(メタデータ) (2023-06-06T16:24:27Z) - Networked Time Series Imputation via Position-aware Graph Enhanced
Variational Autoencoders [31.953958053709805]
我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。
実験の結果,ベースライン上でのモデルの有効性が示された。
論文 参考訳(メタデータ) (2023-05-29T21:11:34Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳(メタデータ) (2023-05-18T06:17:50Z) - TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time
Series Classification [6.76723360505692]
未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。
26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
論文 参考訳(メタデータ) (2023-04-11T09:21:28Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-20T14:41:37Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳(メタデータ) (2022-03-03T09:53:53Z) - Dynamic Graph Learning-Neural Network for Multivariate Time Series
Modeling [2.3022070933226217]
静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。
モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。
ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2021-12-06T08:19:15Z) - Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。
実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2021-02-23T07:45:58Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳(メタデータ) (2020-11-26T14:43:04Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用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。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z)
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。