論文の概要: Online Graph Topology Learning from Matrix-valued Time Series
- arxiv url: http://arxiv.org/abs/2107.08020v1
- Date: Fri, 16 Jul 2021 17:21:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-19 14:47:25.293393
- Title: Online Graph Topology Learning from Matrix-valued Time Series
- Title(参考訳): 行列値時系列からのオンライングラフトポロジー学習
- Authors: Yiye Jiang, J\'er\'emie Bigot and Sofian Maabout
- Abstract要約: 私たちは、オンラインの方法で、依存関係の2つの側面をキャプチャするグラフを学びます。
係数行列にクロネッカー和構造を付与することによりグラフを分解する。
我々は、係数行列を推定するための更新規則を導出するためにホモトピーアルゴリズムを利用する。
- 参考スコア(独自算出の注目度): 0.2094821665776961
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper is concerned with the statistical analysis of matrix-valued time
series. These are data collected over a network of sensors (typically a set of
spatial locations), recording, over time, observations of multiple
measurements. From such data, we propose to learn, in an online fashion, a
graph that captures two aspects of dependency: one describing the sparse
spatial relationship between sensors, and the other characterizing the
measurement relationship. To this purpose, we introduce a novel multivariate
autoregressive model to infer the graph topology encoded in the coefficient
matrix which captures the sparse Granger causality dependency structure present
in such matrix-valued time series. We decompose the graph by imposing a
Kronecker sum structure on the coefficient matrix. We develop two online
approaches to learn the graph in a recursive way. The first one uses Wald test
for the projected OLS estimation, where we derive the asymptotic distribution
for the estimator. For the second one, we formalize a Lasso-type optimization
problem. We rely on homotopy algorithms to derive updating rules for estimating
the coefficient matrix. Furthermore, we provide an adaptive tuning procedure
for the regularization parameter. Numerical experiments using both synthetic
and real data, are performed to support the effectiveness of the proposed
learning approaches.
- Abstract(参考訳): 本稿では,行列値時系列の統計解析について述べる。
これらは、センサーのネットワーク上で収集されたデータ(通常は空間的位置の集合)、記録、時間経過、複数の測定の観察である。
このようなデータから,センサ間の空間関係の疎さを記述したグラフと,測定関係を特徴付けるグラフをオンライン形式で学習することを提案する。
本研究では,行列値時系列に存在するスパースグランガー因果関係構造を捉える係数行列に符号化されたグラフトポロジーを推定する,新しい多変量自己回帰モデルを提案する。
係数行列にクロネッカー和構造を付与することによりグラフを分解する。
グラフを再帰的に学習するための2つのオンラインアプローチを開発した。
第一にウォルドテストを用いて予測されたOLS推定を行い、推定器の漸近分布を導出する。
第二に,lasso型最適化問題を定式化する。
係数行列を推定するための更新規則を導出するためにホモトピーアルゴリズムに依存する。
さらに,正規化パラメータに対する適応チューニング手順を提案する。
合成データと実データの両方を用いて数値実験を行い,提案手法の有効性を実証した。
関連論文リスト
- Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。
まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。
センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
論文 参考訳(メタデータ) (2023-02-24T22:14:39Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - 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) - Granger Causality using Neural Networks [8.835231777363399]
基礎となる非線形性を扱うことができるモデルの新しいクラスをいくつか提示する。
罰則を分離することで、遅延と個々の時系列の重要度を直接分離できることを示す。
また,脱カップリングしたペナルティによって,遅延と個々の時系列の重要度を直接分離できることを示す。
論文 参考訳(メタデータ) (2022-08-07T12:02:48Z) - Learning to Reconstruct Missing Data from Spatiotemporal Graphs with
Sparse Observations [11.486068333583216]
本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。
我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。
技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
論文 参考訳(メタデータ) (2022-05-26T16:40:48Z) - PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal
Traffic Forecasting [0.0]
我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。
PGCNは、トレーニングとテストフェーズの間、入力データに徐々に適応することで、グラフのセットを構築する。
提案したモデルでは,すべてのデータセットの一貫性を保ちながら,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) (2022-02-18T02:15:44Z) - Sketching as a Tool for Understanding and Accelerating Self-attention
for Long Sequences [52.6022911513076]
トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。
我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。
理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
論文 参考訳(メタデータ) (2021-12-10T06:58:05Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳(メタデータ) (2021-04-27T18:17:42Z) - Auto-decoding Graphs [91.3755431537592]
生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。
グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
論文 参考訳(メタデータ) (2020-06-04T14:23:01Z) - 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。