論文の概要: AZ-whiteness test: a test for uncorrelated noise on spatio-temporal graphs

• arxiv url: http://arxiv.org/abs/2204.11135v1
• Date: Sat, 23 Apr 2022 19:43:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 12:35:54.760342
• Title: AZ-whiteness test: a test for uncorrelated noise on spatio-temporal graphs
• Title（参考訳）: AZホワイトネステスト:時空間グラフ上の非相関ノイズの試験
• Authors: Daniele Zambon and Cesare Alippi
• Abstract要約: グラフに対する最初の白さテスト、すなわちグラフのノードに関連付けられた連続時系列に対する連続白さテストを示す。 グラフストリームの予測残差を解析することにより、品質時間予測モデルの評価にどのように使用できるかを示す。
• 参考スコア（独自算出の注目度）: 19.407150082045636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the first whiteness test for graphs, i.e., a whiteness test for multivariate time series associated with the nodes of a dynamic graph. The statistical test aims at finding serial dependencies among close-in-time observations, as well as spatial dependencies among neighboring observations given the underlying graph. The proposed test is a spatio-temporal extension of traditional tests from the system identification literature and finds applications in similar, yet more general, application scenarios involving graph signals. The AZ-test is versatile, allowing the underlying graph to be dynamic, changing in topology and set of nodes, and weighted, thus accounting for connections of different strength, as is the case in many application scenarios like transportation networks and sensor grids. The asymptotic distribution -- as the number of graph edges or temporal observations increases -- is known, and does not assume identically distributed data. We validate the practical value of the test on both synthetic and real-world problems, and show how the test can be employed to assess the quality of spatio-temporal forecasting models by analyzing the prediction residuals appended to the graphs stream.
• Abstract（参考訳）: 本稿では、グラフに対する最初のホワイトネステスト、すなわち、動的グラフのノードに関連付けられた多変量時系列のホワイトネステストを提案する。 統計テストの目的は、近接時間観測中の連続的依存関係の発見と、基礎となるグラフを与えられた隣接観測間の空間的依存関係の発見である。 提案したテストは、システム識別文献からの従来のテストの時空間拡張であり、グラフ信号を含む同様の、より一般的なアプリケーションシナリオにおけるアプリケーションを見つける。 AZ-testは汎用性があり、基盤となるグラフが動的になり、トポロジやノードの集合が変化し、重み付けされる。 漸近分布(グラフエッジ数や時間的観測数の増加など)は知られており、同じ分散データを想定していない。 本研究では,合成問題と実世界の問題の両方において,テストの実用的価値を検証するとともに,グラフストリームに付加された予測残差を分析して,時空間予測モデルの品質を評価する方法を示す。

関連論文リスト

• Extreme Value Modelling of Feature Residuals for Anomaly Detection in Dynamic Graphs [14.8066991252587]
  グラフの時間的シーケンスにおける異常の検出は、トランスポートネットワークにおける事故の検出や、コンピュータネットワークにおけるサイバー攻撃といった分野に適用することができる。 既存の異常グラフ検出方法は、高い偽陽性率や可変サイズのグラフの扱いの難しさ、非自明な時間ダイナミクスなど、複数の制限に悩まされることがある。 そこで本稿では,時間的依存を時系列解析によって時間的依存を明示的にモデル化し,残差を用いて依存を除去する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T05:00:53Z)
• Testing Dependency of Weighted Random Graphs [4.0554893636822]
  本研究では,2つのランダムグラフ間のエッジ依存性を検出するタスクについて検討する。 一般のエッジウェイト分布に対して、最適テストが情報理論上可能か不可能となるしきい値を確立する。
  論文  参考訳（メタデータ） (2024-09-23T10:07:41Z)
• Graph-based Forecasting with Missing Data through Spatiotemporal Downsampling [24.368893944128086]
  時系列間の関係をグラフとして表現することで、時空間グラフニューラルネットワークは印象的な結果を得る。 既存のほとんどのメソッドは、入力が常に利用可能であり、データの一部が欠落しているときに隠れたダイナミクスをキャプチャできないという、しばしば非現実的な仮定に依存しています。
  論文  参考訳（メタデータ） (2024-02-16T12:33:31Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting [0.0]
  動的時系列間グラフのリストに基づく時系列異常検出フレームワークDyGraphADを提案する。 中心となる考え方は、シリーズ間関係とシリーズ間時間パターンの正常状態から異常状態へのずれに基づいて異常を検出することである。 実世界のデータセットに関する数値実験により,DyGraphADはベースライン異常検出手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-02-04T01:27:01Z)
• 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)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)
• A practical test for a planted community in heterogeneous networks [0.0]
  実ネットワークデータの場合、密な部分グラフの存在は一般に不明である。 テストのパワーを理論的に検討し、シミュレーションと実データ例を用いてテストの性能を評価します。
  論文  参考訳（メタデータ） (2021-01-15T01:34:14Z)
• 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)

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。