論文の概要: Dynamic Relation Discovery and Utilization in Multi-Entity Time Series
Forecasting
- arxiv url: http://arxiv.org/abs/2202.10586v1
- Date: Fri, 18 Feb 2022 11:37:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 15:01:57.236022
- Title: Dynamic Relation Discovery and Utilization in Multi-Entity Time Series
Forecasting
- Title(参考訳): マルチエンティティ時系列予測における動的関係発見と利用
- Authors: Lin Huang, Lijun Wu, Jia Zhang, Jiang Bian, Tie-Yan Liu
- Abstract要約: 多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。
本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
- 参考スコア(独自算出の注目度): 92.32415130188046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series forecasting plays a key role in a variety of domains. In a lot of
real-world scenarios, there exist multiple forecasting entities (e.g. power
station in the solar system, stations in the traffic system). A straightforward
forecasting solution is to mine the temporal dependency for each individual
entity through 1d-CNN, RNN, transformer, etc. This approach overlooks the
relations between these entities and, in consequence, loses the opportunity to
improve performance using spatial-temporal relation. However, in many
real-world scenarios, beside explicit relation, there could exist crucial yet
implicit relation between entities. How to discover the useful implicit
relation between entities and effectively utilize the relations for each entity
under various circumstances is crucial. In order to mine the implicit relation
between entities as much as possible and dynamically utilize the relation to
improve the forecasting performance, we propose an attentional multi-graph
neural network with automatic graph learning (A2GNN) in this work.
Particularly, a Gumbel-softmax based auto graph learner is designed to
automatically capture the implicit relation among forecasting entities. We
further propose an attentional relation learner that enables every entity to
dynamically pay attention to its preferred relations. Extensive experiments are
conducted on five real-world datasets from three different domains. The results
demonstrate the effectiveness of A2GNN beyond several state-of-the-art methods.
- Abstract(参考訳): 時系列予測は様々な領域において重要な役割を果たす。
多くの現実のシナリオでは、複数の予測エンティティ(例えば、太陽系の発電所、交通システムのステーション)が存在する。
直接的な予測ソリューションは、1d-CNN、RNN、トランスフォーマーなどを通じて各エンティティの時間依存性をマイニングすることである。
このアプローチは,これらの実体間の関係を見落とし,空間的時間的関係を用いた性能向上の機会を失う。
しかし、多くの現実世界のシナリオでは、明示的な関係の他に、実体間の決定的かつ暗黙的な関係が存在する可能性がある。
実体間の有用な暗黙の関係を発見し、様々な状況下で各実体の関係を効果的に活用する方法が重要である。
本稿では,エンティティ間の暗黙的な関係を可能な限り掘り起こし,その関係を動的に活用して予測性能を向上させるために,自動グラフ学習(a2gnn)を用いた注目型多グラフニューラルネットワークを提案する。
特に、gumbel-softmaxベースのauto graph learnerは、予測エンティティ間の暗黙的な関係を自動的に捉えるように設計されている。
さらに,各エンティティが好む関係に動的に注意を払うことのできる注意関係学習者を提案する。
3つの異なるドメインの5つの実世界のデータセットで広範な実験が行われている。
その結果,a2gnnは最先端手法以上の効果を示した。
関連論文リスト
- Neural Relational Inference with Fast Modular Meta-learning [25.313516707169498]
グラフニューラルネットワーク(GNN)は、実体と関係からなる多くの力学系に対して有効なモデルである。
リレーショナル推論は、これらの相互作用を推測し、観測データからダイナミクスを学習する問題である。
関係推論は、多くの課題を解決するために、ニューラルネットワークモジュールをさまざまな方法で構成するように訓練する、テクティモジュラーなメタラーニング問題である。
論文 参考訳(メタデータ) (2023-10-10T21:05:13Z) - Interactive Spatiotemporal Token Attention Network for Skeleton-based
General Interactive Action Recognition [8.513434732050749]
本稿では,空間的,時間的,対話的な関係を同時にモデル化する対話型時空間意識ネットワーク(ISTA-Net)を提案する。
我々のネットワークには対話的時空間トークン(IST)を分割するトークン機構があり、これは複数の多様なエンティティの動作を表現する統一的な方法である。
ISTの3次元に沿って共同学習するために、3次元畳み込みと統合されたマルチヘッド自己認識ブロックは、トークン間の相関を捉えるように設計されている。
論文 参考訳(メタデータ) (2023-07-14T16:51:25Z) - Exploiting Graph Structured Cross-Domain Representation for Multi-Domain
Recommendation [71.45854187886088]
マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。
我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。
我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
論文 参考訳(メタデータ) (2023-02-12T19:51:32Z) - Discovering Latent Representations of Relations for Interacting Systems [2.2844557930775484]
本稿では,関係の数が不明であるか,多種類の関係が存在する場合でも柔軟に適用可能なDiScovering Latent Relation (DSLR)モデルを提案する。
DSLRモデルの柔軟性は、潜在空間におけるエンティティ間の関係を表すエンコーダの設計概念から来ています。
実験の結果,提案手法は未知の複素数を持つ動的グラフを解析するのに適していることがわかった。
論文 参考訳(メタデータ) (2021-11-10T03:32:09Z) - EchoEA: Echo Information between Entities and Relations for Entity
Alignment [1.1470070927586016]
本稿では,エンティティ情報を関係に拡散し,エンティティにエコーバックする自己認識機構を活用した新しいフレームワーク Echo Entity Alignment (EchoEA) を提案する。
3つの実世界のクロスランガルデータセットの実験結果は、平均して96%で安定している。
論文 参考訳(メタデータ) (2021-07-07T07:34:21Z) - Neural Production Systems [90.75211413357577]
視覚環境は、異なるオブジェクトまたはエンティティから構成される。
イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。
私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。
このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
論文 参考訳(メタデータ) (2021-03-02T18:53:20Z) - Relation of the Relations: A New Paradigm of the Relation Extraction
Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。
我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。
実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-06-05T22:25:27Z) - 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) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。