論文の概要: Sparse Graph Learning from Spatiotemporal Time Series
- arxiv url: http://arxiv.org/abs/2205.13492v3
- Date: Wed, 2 Aug 2023 11:02:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-03 18:34:42.201494
- Title: Sparse Graph Learning from Spatiotemporal Time Series
- Title（参考訳）: 時空間時系列からのスパースグラフ学習
- Authors: Andrea Cini, Daniele Zambon, Cesare Alippi
- Abstract要約: 本稿では,グラフ上の分布として関係依存を学習するグラフ学習フレームワークを提案する。
提案手法は,エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントと同様に,スタンドアローンのグラフ識別手法として利用できることを示す。
- 参考スコア（独自算出の注目度）: 16.427698929775023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Outstanding achievements of graph neural networks for spatiotemporal time
series analysis show that relational constraints introduce an effective
inductive bias into neural forecasting architectures. Often, however, the
relational information characterizing the underlying data-generating process is
unavailable and the practitioner is left with the problem of inferring from
data which relational graph to use in the subsequent processing stages. We
propose novel, principled - yet practical - probabilistic score-based methods
that learn the relational dependencies as distributions over graphs while
maximizing end-to-end the performance at task. The proposed graph learning
framework is based on consolidated variance reduction techniques for Monte
Carlo score-based gradient estimation, is theoretically grounded, and, as we
show, effective in practice. In this paper, we focus on the time series
forecasting problem and show that, by tailoring the gradient estimators to the
graph learning problem, we are able to achieve state-of-the-art performance
while controlling the sparsity of the learned graph and the computational
scalability. We empirically assess the effectiveness of the proposed method on
synthetic and real-world benchmarks, showing that the proposed solution can be
used as a stand-alone graph identification procedure as well as a graph
learning component of an end-to-end forecasting architecture.
- Abstract（参考訳）: 時空間時系列解析におけるグラフニューラルネットワークの成果は、関係性制約が神経予測アーキテクチャに効果的な帰納バイアスをもたらすことを示している。
しかし、基礎となるデータ生成過程を特徴付ける関係情報は利用できないことが多く、実践者はその後の処理段階で、関係グラフが使用するデータから推測する問題に悩まされる。
本稿では,グラフ上の分布として関係依存性を学習し,タスクのエンドツーエンド性能を最大化する新しい確率的スコアベース手法を提案する。
提案するグラフ学習フレームワークは,モンテカルロスコアに基づく勾配推定のための統合分散低減手法を基礎とし,理論的に接地し,実際に効果的であることを示す。
本稿では,時系列予測問題に着目し,勾配推定器をグラフ学習問題に適合させることで,学習グラフの空間性や計算スケーラビリティを制御しながら,最先端のパフォーマンスを実現することができることを示す。
提案手法を総合的および実世界のベンチマークでの有効性を実証的に評価し,提案手法が,エンドツーエンド予測アーキテクチャのグラフ学習コンポーネントと同様にスタンドアロンのグラフ識別手順として使用できることを示した。
関連論文リスト
- Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
グラフニューラルネットワーク(GNN)は、モデル精度を高めるために帰納バイアスとしてリレーショナル情報を使用する。
課題関連関係が不明なため,下流予測タスクを解きながら学習するためのグラフ構造学習手法が提案されている。
論文 参考訳（メタデータ） (2024-05-30T10:49:22Z) - Graph Deep Learning for Time Series Forecasting [28.30604130617646]
グラフに基づくディープラーニング手法は,関連時系列のコレクションを処理するツールとして人気を博している。
本稿では,予測問題を形式化し,グラフに基づく予測モデルの設計原則と,その性能評価手法を提供する包括的方法論フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T16:26:38Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - A Complex Network based Graph Embedding Method for Link Prediction [0.0]
本稿では,人気相似性と地域アトラクションのパラダイムに基づく新しいグラフ埋め込み手法を提案する。
実験結果から,提案手法は最先端のグラフ埋め込みアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-11T14:46:38Z) - Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。
RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
論文 参考訳（メタデータ） (2022-08-18T01:31:25Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - Learning an Interpretable Graph Structure in Multi-Task Learning [18.293397644865454]
本稿では,タスク間のマルチタスク学習と本質的な関係を解釈可能かつスパースなグラフで推定する新しい手法を提案する。
このグラフは各タスクのモデルパラメータと同時に学習するため、特定の予測問題におけるタスク間の臨界関係を反映する。
論文 参考訳（メタデータ） (2020-09-11T18:58:14Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z)
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。