論文の概要: CLPVG: Circular limited penetrable visibility graph as a new network
model for time series
- arxiv url: http://arxiv.org/abs/2104.13772v1
- Date: Mon, 1 Mar 2021 03:13:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 14:16:43.620653
- Title: CLPVG: Circular limited penetrable visibility graph as a new network
model for time series
- Title(参考訳): CLPVG:時系列の新しいネットワークモデルとしての円限定透過可視グラフ
- Authors: Qi Xuan, Jinchao Zhou, Kunfeng Qiu, Dongwei Xu, Shilian Zheng and
Xiaoniu Yang
- Abstract要約: そこで我々は,Circular Limited Peretrable Visibility Graph (CLPVG) という非線形マッピング手法を提案する。
我々のCLPVGは、時系列の重要な特徴を効果的に捉え、従来のLPVGよりも優れたアンチノイズ能力を持つ。
実世界の無線信号と脳波の時系列データセット(EEG)の実験でも、CLPVGが提供する構造的特徴は、LPVGよりも時系列分類に有用であることが示唆されている。
- 参考スコア(独自算出の注目度): 2.2117920262981805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visibility Graph (VG) transforms time series into graphs, facilitating signal
processing by advanced graph data mining algorithms. In this paper, based on
the classic Limited Penetrable Visibility Graph (LPVG) method, we propose a
novel nonlinear mapping method named Circular Limited Penetrable Visibility
Graph (CLPVG). The testing on degree distribution and clustering coefficient on
the generated graphs of typical time series validates that our CLPVG is able to
effectively capture the important features of time series and has better
anti-noise ability than traditional LPVG. The experiments on real-world
time-series datasets of radio signal and electroencephalogram (EEG) also
suggest that the structural features provided by CLPVG, rather than LPVG, are
more useful for time-series classification, leading to higher accuracy. And
this classification performance can be further enhanced through structural
feature expansion by adopting Subgraph Networks (SGN). All of these results
validate the effectiveness of our CLPVG model.
- Abstract(参考訳): 可視性グラフ(VG)は時系列をグラフに変換し、高度なグラフデータマイニングアルゴリズムによる信号処理を容易にする。
本稿では,従来のlpvg法を基礎として,円周制限透過可視グラフ(clpvg)と呼ばれる新しい非線形マッピング手法を提案する。
典型的な時系列のグラフ上での次数分布とクラスタリング係数の検証により、我々のCLPVGが時系列の重要な特徴を効果的に捉え、従来のLPVGよりも優れたアンチノイズ能力を有することを示す。
実世界の無線信号と脳波の時系列データセット(EEG)に関する実験では、CLPVGが提供する構造的特徴はLPVGよりも時系列分類に有用であることが示唆され、精度が向上した。
また、この分類性能はサブグラフネットワーク(sgn)を採用することで構造的特徴拡張によりさらに向上することができる。
これらの結果はCLPVGモデルの有効性を検証した。
関連論文リスト
- Online Graph Learning via Time-Vertex Adaptive Filters: From Theory to Cardiac Fibrillation [37.69303106863453]
グラフシフト演算子(GSO)の適応推定のためのオンラインアルゴリズムであるAdaCGPを導入する。
シミュレーションにより、AdaCGPは様々なグラフトポロジに対して一貫して良好に機能し、GSO推定において82%以上の改善が達成されることを示す。
AdaCGPのグラフ構造の変化を追跡する能力は、抗不整脈薬による心室細動動態の記録に示されている。
論文 参考訳(メタデータ) (2024-11-03T13:43:51Z) - 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) - Self-supervised Learning and Graph Classification under Heterophily [4.358149865548289]
我々は,Metric(PGM)に基づく,事前学習型グラフニューラルネットワーク(GNN)のための新しい自己教師型戦略を提案する。
我々の戦略は、分子特性予測とタンパク質機能予測のための最先端性能を実現する。
論文 参考訳(メタデータ) (2023-06-14T12:32:38Z) - 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) - Adaptive Visibility Graph Neural Network and It's Application in
Modulation Classification [2.3228726690478547]
本稿では,時系列を適応的にグラフにマッピングできる適応可視グラフ(AVG)アルゴリズムを提案する。
次に,無線通信分野において重要な課題である無線信号変調分類にAVGNetを採用する。
論文 参考訳(メタデータ) (2021-06-16T06:00:49Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳(メタデータ) (2020-10-09T07:35:26Z) - Fast Graph Attention Networks Using Effective Resistance Based Graph
Sparsification [70.50751397870972]
FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。
我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
論文 参考訳(メタデータ) (2020-06-15T22:07:54Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2020-06-10T14:48:48Z) - 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) - Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。
GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。
本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
論文 参考訳(メタデータ) (2020-01-27T16:05:56Z)
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。