論文の概要: Graph Learning from Multivariate Dependent Time Series via a Multi-Attribute Formulation

• arxiv url: http://arxiv.org/abs/2205.00007v1
• Date: Fri, 29 Apr 2022 00:17:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-06 09:33:33.985658
• Title: Graph Learning from Multivariate Dependent Time Series via a Multi-Attribute Formulation
• Title（参考訳）: 多変量依存時系列からの多属性定式化によるグラフ学習
• Authors: Jitendra K Tugnait
• Abstract要約: 定常時系列の条件独立グラフ(CIG)を推定する問題を考察する。 時系列グラフでは、ベクトル列の各成分は異なるノードで表され、コンポーネント間の関連は対応するノード間のエッジで表される。 ベクトルがグラフの各ノードに関連付けられているランダムベクトルに対するマルチ属性グラフ推定の1つとして問題を定式化する。
• 参考スコア（独自算出の注目度）: 12.843340232167266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of inferring the conditional independence graph (CIG) of a high-dimensional stationary multivariate Gaussian time series. In a time series graph, each component of the vector series is represented by distinct node, and associations between components are represented by edges between the corresponding nodes. We formulate the problem as one of multi-attribute graph estimation for random vectors where a vector is associated with each node of the graph. At each node, the associated random vector consists of a time series component and its delayed copies. We present an alternating direction method of multipliers (ADMM) solution to minimize a sparse-group lasso penalized negative pseudo log-likelihood objective function to estimate the precision matrix of the random vector associated with the entire multi-attribute graph. The time series CIG is then inferred from the estimated precision matrix. A theoretical analysis is provided. Numerical results illustrate the proposed approach which outperforms existing frequency-domain approaches in correctly detecting the graph edges.
• Abstract（参考訳）: 本研究では,高次元定常多変量ガウス時系列の条件独立グラフ(CIG)を推定する問題を考察する。 時系列グラフでは、ベクトル列の各成分は異なるノードで表現され、成分間の関係は対応するノード間のエッジで表現される。 ベクトルがグラフの各ノードに関連付けられているランダムベクトルに対するマルチ属性グラフ推定の1つとして問題を定式化する。 各ノードにおいて、関連するランダムベクトルは時系列成分とその遅延コピーから構成される。 本稿では,多属性グラフ全体に関連する乱ベクトルの精度行列を推定するために,スパース群ラッソ型擬似対数類似目的関数を最小化する乗算器 (ADMM) の交互方向法を提案する。 そして、推定精度行列から時系列CIGを推定する。 理論的分析が提供される。 提案手法は,既存の周波数領域アプローチを上回って,グラフエッジを正しく検出する手法である。

関連論文リスト

• An Ad-hoc graph node vector embedding algorithm for general knowledge graphs using Kinetica-Graph [0.0]
  本稿では,知識グラフ表現から一般的なグラフノードの埋め込みを生成する方法について論じる。 埋め込み空間は、局所親和性とリモート構造関連性の両方を模倣するいくつかのサブ機能から構成される。
  論文  参考訳（メタデータ） (2024-07-22T14:43:10Z)
• Learning High-Dimensional Differential Graphs From Multi-Attribute Data [12.94486861344922]
  類似構造を持つことが知られている2つのガウス図形モデル(GGM)の違いを推定する問題を考える。 差分グラフ推定の既存の方法は単一属性(SA)モデルに基づいている。 本稿では,多属性データから差分グラフ学習のためのグループラッソペナル化Dトレース損失関数手法を解析する。
  論文  参考訳（メタデータ） (2023-12-05T18:54:46Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Are uGLAD? Time will tell! [4.005044708572845]
  条件独立グラフ(CI)を用いた多変量時系列セグメンテーションのための新しい手法を提案する。 CIグラフは、ノード間の部分的相関を表す確率的グラフィカルモデルである。 身体活動モニタリングデータを用いて実験結果を実証した。
  論文  参考訳（メタデータ） (2023-03-21T07:46:28Z)
• A polynomial time iterative algorithm for matching Gaussian matrices with non-vanishing correlation [7.343886246061388]
  本稿では, 2つのガウス行列間の相関が消えない限り, 繰り返しマッチングアルゴリズムを提案する。 その結果、相関が任意に小さいとき、グラフマッチングタイプの問題を解く最初のアルゴリズムとなる。
  論文  参考訳（メタデータ） (2022-12-28T03:30:47Z)
• Kernelized multi-graph matching [0.0]
  本稿では,グラフの属性とエッジの両方を扱う,新しいカーネル化されたマルチグラフマッチング手法を提案する。 結果の安定性の向上につながるプロジェクタをいくつか提案する。
  論文  参考訳（メタデータ） (2022-10-11T07:22:47Z)
• 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)
• Spectral clustering under degree heterogeneity: a case for the random walk Laplacian [83.79286663107845]
  本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。 次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
  論文  参考訳（メタデータ） (2021-05-03T16:36:27Z)
• Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
  実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。 時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。 非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
  論文  参考訳（メタデータ） (2020-07-25T04:16:34Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベル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。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• 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。