論文の概要: Contrastive Learning for Time Series on Dynamic Graphs
- arxiv url: http://arxiv.org/abs/2209.10662v1
- Date: Wed, 21 Sep 2022 21:14:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:51:40.738621
- Title: Contrastive Learning for Time Series on Dynamic Graphs
- Title（参考訳）: 動的グラフを用いた時系列のコントラスト学習
- Authors: Yitian Zhang, Florence Regol, Antonios Valkanas, Mark Coates
- Abstract要約: 本稿では,グラフと時系列の結合表現の教師なし学習のためのGraphTNCというフレームワークを提案する。
実世界のデータセットを用いた分類作業において有益であることを示す。
- 参考スコア（独自算出の注目度）: 17.46524362769774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There have been several recent efforts towards developing representations for
multivariate time-series in an unsupervised learning framework. Such
representations can prove beneficial in tasks such as activity recognition,
health monitoring, and anomaly detection. In this paper, we consider a setting
where we observe time-series at each node in a dynamic graph. We propose a
framework called GraphTNC for unsupervised learning of joint representations of
the graph and the time-series. Our approach employs a contrastive learning
strategy. Based on an assumption that the time-series and graph evolution
dynamics are piecewise smooth, we identify local windows of time where the
signals exhibit approximate stationarity. We then train an encoding that allows
the distribution of signals within a neighborhood to be distinguished from the
distribution of non-neighboring signals. We first demonstrate the performance
of our proposed framework using synthetic data, and subsequently we show that
it can prove beneficial for the classification task with real-world datasets.
- Abstract（参考訳）: 教師なし学習フレームワークで多変量時系列表現を開発するための最近の取り組みはいくつかある。
このような表現は、活動認識、健康モニタリング、異常検出などのタスクにおいて有益である。
本稿では,各ノードの時系列を動的グラフで観測する環境について考察する。
本稿では,グラフと時系列の同時表現を教師なし学習するためのフレームワークgraphtncを提案する。
我々のアプローチは対照的な学習戦略を用いる。
時系列とグラフの進化ダイナミクスが区分的に滑らかであるという仮定に基づき、信号がほぼ定常性を示す時間の局所的な窓を同定する。
次に、近傍における信号の分布を非隣接信号の分布と区別する符号化を訓練する。
まず,提案フレームワークの性能を合成データを用いて実証し,その後,実世界のデータセットを用いた分類タスクに有益であることを示す。
関連論文リスト
- Learning Time-aware Graph Structures for Spatially Correlated Time
Series Forecasting [30.93275270960829]
本稿では時系列間の時間認識相関を抽出する時間認識グラフ構造学習(TagSL)を提案する。
グラフ畳み込みに基づくGated Recurrent Unit (GCGRU) も提案する。
最後に,TagSLとGCGRUを組み合わせたTGCRN(Time-aware Graph Convolutional Recurrent Network)という統合フレームワークを導入し,マルチステップ時間予測のためのエンコーダデコーダアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-12-27T04:23:43Z) - From random-walks to graph-sprints: a low-latency node embedding
framework on continuous-time dynamic graphs [4.372841335228306]
本稿では,レイテンシが低く,最先端の高レイテンシモデルと競合する連続時間動的グラフ(CTDG)のフレームワークを提案する。
本フレームワークでは,マルチホップ情報を要約したタイムアウェアノード埋め込みを,入ってくるエッジ上のシングルホップ操作のみを用いて計算する。
グラフプリント機能と機械学習を組み合わせることで,競争性能が向上することを示す。
論文 参考訳（メタデータ） (2023-07-17T12:25:52Z) - DyTed: Disentangled Representation Learning for Discrete-time Dynamic
Graph [59.583555454424]
離散時間動的グラフ、すなわちDyTedのための新しいディペンタングル表現学習フレームワークを提案する。
本研究では,時間不変の表現と時間変動の表現を効果的に識別する構造的コントラスト学習とともに,時間的クリップのコントラスト学習タスクを特別に設計する。
論文 参考訳（メタデータ） (2022-10-19T14:34:12Z) - 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) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - Learning to Reconstruct Missing Data from Spatiotemporal Graphs with
Sparse Observations [11.486068333583216]
本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。
我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。
技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
論文 参考訳（メタデータ） (2022-05-26T16:40:48Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Unsupervised Representation Learning for Time Series with Temporal
Neighborhood Coding [8.45908939323268]
非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。
我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
論文 参考訳（メタデータ） (2021-06-01T19:53:24Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - Time-varying Graph Representation Learning via Higher-Order Skip-Gram
with Negative Sampling [0.456877715768796]
我々は,スキップグラム埋め込み手法が行列分解を暗黙的に行うという事実に基づいて構築する。
負のサンプリングを持つ高次スキップグラムは、ノードと時間の役割を乱すことができることを示す。
提案手法を時間分解型対面近接データを用いて実証的に評価し,学習した時間変化グラフ表現が最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-06-25T12:04:48Z) - 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。