Fugu-MT 論文翻訳(概要): A Study of Joint Graph Inference and Forecasting

論文の概要: A Study of Joint Graph Inference and Forecasting

arxiv url: http://arxiv.org/abs/2109.04979v1
Date: Fri, 10 Sep 2021 16:34:35 GMT
ステータス: 処理完了
システム内更新日: 2021-09-13 15:40:38.282668
Title: A Study of Joint Graph Inference and Forecasting
Title（参考訳）: ジョイントグラフ推論と予測に関する研究
Authors: Daniel Z\"ugner, Fran\c{c}ois-Xavier Aubet, Victor Garcia Satorras, Tim Januschowski, Stephan G\"unnemann, Jan Gasthaus
Abstract要約: 多変量時系列の予測を改善するためにグラフニューラルネットワーク(GNN)を用いた最近のモデルのクラスについて検討する。グラフを微分可能な方法でパラメータ化することで、モデルは予測品質を改善することを目指している。
参考スコア（独自算出の注目度）: 13.340967777671565
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study a recent class of models which uses graph neural networks (GNNs) to improve forecasting in multivariate time series. The core assumption behind these models is that there is a latent graph between the time series (nodes) that governs the evolution of the multivariate time series. By parameterizing a graph in a differentiable way, the models aim to improve forecasting quality. We compare four recent models of this class on the forecasting task. Further, we perform ablations to study their behavior under changing conditions, e.g., when disabling the graph-learning modules and providing the ground-truth relations instead. Based on our findings, we propose novel ways of combining the existing architectures.
Abstract（参考訳）: 多変量時系列の予測を改善するためにグラフニューラルネットワーク(GNN)を用いた最近のモデルのクラスについて検討する。これらのモデルの中核となる仮定は、多変量時系列の進化を支配する時系列(ノード)の間に潜在グラフが存在することである。グラフを微分可能な方法でパラメータ化することで、モデルは予測品質を改善することを目指している。我々はこのクラスの最近の4つのモデルと予測タスクを比較した。さらに,グラフ学習モジュールの無効化や,その代わりに基盤・真実関係を提供する場合など,変化条件下での行動の解明も行う。そこで本研究では,既存のアーキテクチャを組み合わせる新しい手法を提案する。

関連論文リスト

A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文参考訳（メタデータ） (2024-10-25T02:39:56Z)
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)
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)
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)
On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-09T17:12:32Z)
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文参考訳（メタデータ） (2022-02-17T02:17:31Z)
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)
Discrete Graph Structure Learning for Forecasting Multiple Time Series [14.459541930646205]
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。
論文参考訳（メタデータ） (2021-01-18T03:36:33Z)
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)
Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。