論文の概要: GSA-Forecaster: Forecasting Graph-Based Time-Dependent Data with Graph Sequence Attention

• arxiv url: http://arxiv.org/abs/2104.05914v4
• Date: Thu, 27 Feb 2025 14:22:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 21:05:01.164139
• Title: GSA-Forecaster: Forecasting Graph-Based Time-Dependent Data with Graph Sequence Attention
• Title（参考訳）: GSA-Forecaster:グラフシーケンスアテンションによるグラフベースの時間依存データの予測
• Authors: Yang Li, Di Wang, José M. F. Moura,
• Abstract要約: GSA-Forecasterは、グラフベースの時間依存コンテキストの予測用に設計された新しいディープラーニングモデルである。 GSA-Forecasterはデータグラフ構造を直接アーキテクチャに統合し、空間的依存関係に対処する。 実世界のグラフベースの時間依存データセットを用いて、その性能を検証する。
• 参考スコア（独自算出の注目度）: 16.192961073437758
• License:
• Abstract: Forecasting graph-based, time-dependent data has broad practical applications but presents challenges. Effective models must capture both spatial and temporal dependencies in the data, while also incorporating auxiliary information to enhance prediction accuracy. In this paper, we identify limitations in current state-of-the-art models regarding temporal dependency handling. To overcome this, we introduce GSA-Forecaster, a new deep learning model designed for forecasting in graph-based, time-dependent contexts. GSA-Forecaster utilizes graph sequence attention, a new attention mechanism proposed in this paper, to effectively manage temporal dependencies. GSA-Forecaster integrates the data's graph structure directly into its architecture, addressing spatial dependencies. Additionally, it incorporates auxiliary information to refine its predictions further. We validate its performance using real-world graph-based, time-dependent datasets, where it demonstrates superior effectiveness compared to existing state-of-the-art models.
• Abstract（参考訳）: グラフベースの時間依存データに対する予測は、幅広い実践的応用があるが、課題を提示する。 効果的なモデルは、データの空間的および時間的依存関係をキャプチャし、予測精度を高めるために補助情報を組み込まなければならない。 本稿では,時間的依存処理に関する現在の最先端モデルにおける制約を同定する。 この問題を解決するために、グラフベースの時間依存コンテキストの予測用に設計された新しいディープラーニングモデルであるGSA-Forecasterを導入する。 GSA-Forecasterは、時間依存を効果的に管理するために、新しい注意機構であるグラフシーケンスアテンションを利用する。 GSA-Forecasterはデータグラフ構造を直接アーキテクチャに統合し、空間的依存関係に対処する。 さらに、補助情報を組み込んで予測をさらに洗練する。 実世界のグラフベースの時間依存データセットを用いて、その性能を検証し、既存の最先端モデルと比較して優れた効果を示す。

関連論文リスト

• TempoKGAT: A Novel Graph Attention Network Approach for Temporal Graph Analysis [3.5707423185282656]
  本稿では,時間遅延重みと空間領域上の選択的な隣接集約機構を組み合わせた新しいタイプのグラフアテンションネットワークであるTempoKGATを提案する。 我々は、時間的データを含む交通、エネルギー、健康セクターから複数のデータセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2024-08-29T09:54:46Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
  グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。 このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-18T22:25:12Z)
• 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)
• Graph-Free Learning in Graph-Structured Data: A More Efficient and Accurate Spatiotemporal Learning Perspective [11.301939428860404]
  本稿では,グラフ時間学習における空間相関を捉えるための正規化のためのグラフ自由学習モジュールを提案する。 厳密な理論的な証明は、時間複雑性が提案されたグラフ畳み込み演算よりもはるかに優れていることを証明している。
  論文  参考訳（メタデータ） (2023-01-27T14:26:11Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Financial Time Series Data Augmentation with Generative Adversarial Networks and Extended Intertemporal Return Plots [2.365537081046599]
  データ拡張作業に最先端の画像ベース生成モデルを適用した。 時系列の新しい画像表現である拡張時空間回帰プロット(XIRP)を導入する。 提案手法は,金融データセットの79%に対して,リターン予測誤差を7%削減できることを示す。
  論文  参考訳（メタデータ） (2022-05-18T13:39:27Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)

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。