論文の概要: Network of Tensor Time Series

• arxiv url: http://arxiv.org/abs/2102.07736v1
• Date: Mon, 15 Feb 2021 18:34:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 14:33:20.402638
• Title: Network of Tensor Time Series
• Title（参考訳）: テンソル時系列のネットワーク
• Authors: Baoyu Jing, Hanghang Tong, Yada Zhu
• Abstract要約: 共同進化する時系列は、環境監視、財務分析、スマート輸送などの多数のアプリケーションに現れます。 本稿では、時間系列の明示的な関係ネットワークを組み込む方法(C1)、時間ダイナミクスの暗黙的な関係をモデル化する方法(C2)など、以下の課題に取り組む。 本稿では,TGCN(Graph Convolutional Network)とTRNN(Recurrent Neural Network)の2つのモジュールから構成される,Network of Time Seriesと呼ばれる新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 41.49956819995686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Co-evolving time series appears in a multitude of applications such as environmental monitoring, financial analysis, and smart transportation. This paper aims to address the following challenges, including (C1) how to incorporate explicit relationship networks of the time series; (C2) how to model the implicit relationship of the temporal dynamics. We propose a novel model called Network of Tensor Time Series, which is comprised of two modules, including Tensor Graph Convolutional Network (TGCN) and Tensor Recurrent Neural Network (TRNN). TGCN tackles the first challenge by generalizing Graph Convolutional Network (GCN) for flat graphs to tensor graphs, which captures the synergy between multiple graphs associated with the tensors. TRNN leverages tensor decomposition to model the implicit relationships among co-evolving time series. The experimental results on five real-world datasets demonstrate the efficacy of the proposed method.
• Abstract（参考訳）: 共同進化する時系列は、環境監視、財務分析、スマート輸送などの多数のアプリケーションに現れます。 本稿では、時間系列の明示的な関係ネットワークを組み込む方法(C1)、時間ダイナミクスの暗黙的な関係をモデル化する方法(C2)など、以下の課題に取り組む。 TGCN(Tensor Graph Convolutional Network)とTRNN(Tensor Recurrent Neural Network)の2つのモジュールから構成される「Network of Tensor Time Series」という新しいモデルを提案する。 TGCNは、フラットグラフのグラフ畳み込みネットワーク(GCN)をテンソルグラフに一般化することで、テンソルに関連する複数のグラフ間の相乗効果をキャプチャすることで、最初の課題に取り組みます。 TRNNはテンソル分解を利用して共進化する時系列間の暗黙の関係をモデル化する。 5つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。

関連論文リスト

• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Temporal Graph Neural Networks for Irregular Data [14.653008985229615]
  TGNN4Iモデルは、不規則な時間ステップとグラフの部分的な観察の両方を扱うように設計されている。 時間連続力学により、任意の時間ステップでモデルを予測できる。 交通・気候モデルによるシミュレーションデータと実世界のデータの実験は、グラフ構造と時間連続力学の両方の有用性を検証する。
  論文  参考訳（メタデータ） (2023-02-16T16:47:55Z)
• Multi-Task Edge Prediction in Temporally-Dynamic Video Graphs [16.121140184388786]
  MTD-GNNは,複数種類の関係に対して時間動的エッジを予測するグラフネットワークである。 時間-動的グラフネットワークにおける複数の関係をモデル化することは相互に有益であることを示す。
  論文  参考訳（メタデータ） (2022-12-06T10:41:00Z)
• An Explainer for Temporal Graph Neural Networks [27.393641343203363]
  時空間グラフニューラルネットワーク(TGNN)は、時間発展するグラフ関連タスクのモデリングに広く用いられている。 本稿では,TGNNモデルのための新しい説明フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-02T04:12:40Z)
• 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)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [78.82484713596226]
  本稿では,道路網における交通予測のための時空間共同グラフ畳み込み (STJGCN) を提案する。 具体的には、包括的空間相関と動的時間相関を表わす任意の2つの時間ステップ間で、事前定義された、適応的な関節グラフ(STJG)を構築する。 異なる範囲の情報を集約するマルチレンジアテンション機構を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Recurrent Graph Tensor Networks: A Low-Complexity Framework for Modelling High-Dimensional Multi-Way Sequence [24.594587557319837]
  我々は、リカレントニューラルネットワーク(RNN)における隠れ状態のモデリングを近似するグラフフィルタフレームワークを開発する。 提案するフレームワークは、複数のマルチウェイシーケンスモデリングタスクを通じて検証され、従来のRNNに対してベンチマークされる。 提案したRGTNは,標準RNNよりも優れるだけでなく,従来のRNNと関連する次元の曲線を緩和できることを示す。
  論文  参考訳（メタデータ） (2020-09-18T10:13:36Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Dynamic Spatiotemporal Graph Neural Network with Tensor Network [12.278768477060137]
  動的空間グラフ構築は時系列データ問題に対するグラフニューラルネットワーク(GNN)の課題である。 我々は、全ての動的空間関係を収集する空間テンソルグラフ(STG)と、各ノードにおける遅延パターンを見つけるための時間テンソルグラフ(TTG)を生成する。 提案手法の精度と時間的コストを,公共交通データセット上での最先端のGNN手法と比較した。
  論文  参考訳（メタデータ） (2020-03-12T20:47:22Z)

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。