論文の概要: Dynamic Graph Learning-Neural Network for Multivariate Time Series
Modeling
- arxiv url: http://arxiv.org/abs/2112.03273v1
- Date: Mon, 6 Dec 2021 08:19:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 13:31:24.158325
- Title: Dynamic Graph Learning-Neural Network for Multivariate Time Series
Modeling
- Title(参考訳): 多変量時系列モデリングのための動的グラフ学習ニューラルネットワーク
- Authors: Zhuoling Li, Gaowei Zhang, Lingyu Xu and Jie Yu
- Abstract要約: 静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。
モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。
ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
- 参考スコア(独自算出の注目度): 2.3022070933226217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series forecasting is a challenging task because the data
involves a mixture of long- and short-term patterns, with dynamic
spatio-temporal dependencies among variables. Existing graph neural networks
(GNN) typically model multivariate relationships with a pre-defined spatial
graph or learned fixed adjacency graph. It limits the application of GNN and
fails to handle the above challenges. In this paper, we propose a novel
framework, namely static- and dynamic-graph learning-neural network (SDGL). The
model acquires static and dynamic graph matrices from data to model long- and
short-term patterns respectively. Static matric is developed to capture the
fixed long-term association pattern via node embeddings, and we leverage graph
regularity for controlling the quality of the learned static graph. To capture
dynamic dependencies among variables, we propose dynamic graphs learning method
to generate time-varying matrices based on changing node features and static
node embeddings. And in the method, we integrate the learned static graph
information as inductive bias to construct dynamic graphs and local
spatio-temporal patterns better. Extensive experiments are conducted on two
traffic datasets with extra structural information and four time series
datasets, which show that our approach achieves state-of-the-art performance on
almost all datasets. If the paper is accepted, I will open the source code on
github.
- Abstract(参考訳): 多変量時系列予測は、データが長期パターンと短期パターンの混合と変数間の動的時空間依存性を含むため、難しい課題である。
既存のグラフニューラルネットワーク(gnn)は通常、予め定義された空間グラフや学習された固定隣接グラフと多変量関係をモデル化する。
これはGNNの適用を制限し、上記の課題に対処できない。
本稿では,静的および動的グラフ学習ニューラルネットワーク(SDGL)という新しいフレームワークを提案する。
モデルは、それぞれデータから静的および動的グラフ行列を取得し、長期パターンおよび短期パターンをモデル化する。
静的マトリクスはノード埋め込みによって固定された長期関連パターンをキャプチャするために開発され、学習した静的グラフの品質を制御するためにグラフ規則性を利用する。
変数間の動的依存を捉えるために,ノードの特徴や静的なノード埋め込みに基づいて時間変化行列を生成する動的グラフ学習法を提案する。
提案手法では,学習した静的グラフ情報を帰納バイアスとして統合し,動的グラフと局所時空間パターンをよりよく構築する。
2つの交通データに付加的な構造情報と4つの時系列データセットを用いて大規模な実験を行い、我々の手法がほぼ全て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。
論文が受け入れられたら、github.comでソースコードを公開します。
関連論文リスト
- TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳(メタデータ) (2024-01-06T06:26:49Z) - Dynamic Graph Representation Learning with Neural Networks: A Survey [0.0]
動的グラフ表現は新しい機械学習問題として現れた。
本稿では,動的グラフ学習に関連する問題とモデルをレビューすることを目的とする。
論文 参考訳(メタデータ) (2023-04-12T09:39:17Z) - TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time
Series Classification [6.76723360505692]
未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。
26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
論文 参考訳(メタデータ) (2023-04-11T09:21:28Z) - Dynamic Graph Node Classification via Time Augmentation [15.580277876084873]
動的グラフ上のノード分類のための時間拡張グラフ動的ニューラルネットワーク(TADGNN)フレームワークを提案する。
TADGNNは, 時間的時間的変化を時間的に捉え, 時間的時間的グラフを生成する時間拡張モジュールと, 構築した時間的時間的グラフを用いて時間的時間的表現を学習する情報伝達モジュールの2つのモジュールから構成される。
実験により,TADGNNフレームワークは,高いスケーラビリティを示しながら,静的かつ動的なSOTAGNNモデルよりも優れた性能を示した。
論文 参考訳(メタデータ) (2022-12-07T04:13:23Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-20T14:41:37Z) - Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
既存の作業は、動的グラフを変更のシーケンスとして見るだけである。
動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。
頂点とエッジのタイムパン
組み込みにはタイムアウェアなTransformerが提案されている。
vertexの動的接続と学習へのToEs。
頂点表現
論文 参考訳(メタデータ) (2022-07-01T15:32:56Z) - Instant Graph Neural Networks for Dynamic Graphs [18.916632816065935]
Instant Graph Neural Network (InstantGNN) を提案する。
提案手法は,時間を要する反復計算を回避し,表現の即時更新と即時予測を可能にする。
本モデルでは,既存手法よりも高精度かつ高次精度で最先端の精度を実現する。
論文 参考訳(メタデータ) (2022-06-03T03:27:42Z) - 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) - Deep Dynamic Effective Connectivity Estimation from Multivariate Time
Series [0.0]
我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。
DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
論文 参考訳(メタデータ) (2022-02-04T21:14:21Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-25T08:45:14Z) - 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。