論文の概要: Discrete Graph Structure Learning for Forecasting Multiple Time Series

• arxiv url: http://arxiv.org/abs/2101.06861v2
• Date: Mon, 15 Feb 2021 20:21:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 06:05:35.206724
• Title: Discrete Graph Structure Learning for Forecasting Multiple Time Series
• Title（参考訳）: 時系列予測のための離散グラフ構造学習
• Authors: Chao Shang, Jie Chen, Jinbo Bi
• Abstract要約: 時系列予測は統計学、経済学、コンピュータ科学において広く研究されている。 本研究では,グラフが未知である場合,グラフニューラルネットワーク(GNN)を同時に学習することを提案する。 経験的評価は、グラフ構造学習のための最近提案されたバイレベル学習アプローチよりも、よりシンプルで効率的で優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 14.459541930646205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting is an extensively studied subject in statistics, economics, and computer science. Exploration of the correlation and causation among the variables in a multivariate time series shows promise in enhancing the performance of a time series model. When using deep neural networks as forecasting models, we hypothesize that exploiting the pairwise information among multiple (multivariate) time series also improves their forecast. If an explicit graph structure is known, graph neural networks (GNNs) have been demonstrated as powerful tools to exploit the structure. In this work, we propose learning the structure simultaneously with the GNN if the graph is unknown. We cast the problem as learning a probabilistic graph model through optimizing the mean performance over the graph distribution. The distribution is parameterized by a neural network so that discrete graphs can be sampled differentiably through reparameterization. Empirical evaluations show that our method is simpler, more efficient, and better performing than a recently proposed bilevel learning approach for graph structure learning, as well as a broad array of forecasting models, either deep or non-deep learning based, and graph or non-graph based.
• Abstract（参考訳）: 時系列予測は統計学、経済学、計算機科学の分野で広く研究されている。 多変量時系列における変数間の相関関係と因果関係の探索により,時系列モデルの性能向上が期待できる。 深層ニューラルネットワークを予測モデルとして使用する場合、複数の(多変量)時系列間のペア情報の活用も予測を改善するという仮説を立てる。 明示的なグラフ構造が知られている場合、グラフニューラルネットワーク(GNN)はその構造を利用する強力なツールとして実証されている。 本稿では,グラフが未知である場合,GNNと同時に構造を学習することを提案する。 我々は,グラフ分布の平均性能を最適化し,確率的グラフモデルを学ぶことを課題とした。 分布はニューラルネットワークによってパラメータ化され、離散グラフは再パラメータ化によって微分的にサンプリングできる。 経験的評価は,最近提案されたグラフ構造学習のための二段階学習手法よりも,よりシンプルで効率的,かつ優れた性能を示すとともに,深層学習,深層学習、非深層学習、グラフ学習、非グラフ学習など幅広い予測モデルが提案されている。

関連論文リスト

• TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting [20.03223916749058]
  時系列予測は、科学と工学における重要な現実世界の応用の核心にある。 動的時間グラフ表現を学習するTimeGNNを提案する。 TimeGNNは、他の最先端のグラフベースの手法よりも4倍から80倍高速な推論時間を実現している。
  論文  参考訳（メタデータ） (2023-07-27T08:10:19Z)
• Sparsity exploitation via discovering graphical models in multi-variate time-series forecasting [1.2762298148425795]
  本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。 まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。 次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-29T16:48:00Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• 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)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• 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)
• Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
  グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。 このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
  論文  参考訳（メタデータ） (2020-06-23T21:10:55Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• 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)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。