論文の概要: Regularized Graph Structure Learning with Semantic Knowledge for
Multi-variates Time-Series Forecasting
- arxiv url: http://arxiv.org/abs/2210.06126v1
- Date: Wed, 12 Oct 2022 12:38:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 13:18:07.521356
- Title: Regularized Graph Structure Learning with Semantic Knowledge for
Multi-variates Time-Series Forecasting
- Title（参考訳）: 多変量時系列予測のための意味知識を用いた正規化グラフ構造学習
- Authors: Hongyuan Yu, Ting Li, Weichen Yu, Jianguo Li, Yan Huang, Liang Wang,
Alex Liu
- Abstract要約: 明示的な事前構造と暗黙的な構造の両方を一体化するための正規化グラフ構造学習(RGSL)モデルを提案する。
まず,ノード埋め込みによる暗黙的な密接な類似性行列を導出し,Gumbel Softmax のトリックに基づいて正規化グラフ生成(RGG)を用いてスパースグラフ構造を学習する。
第二に、明示グラフと暗黙グラフを融合させるラプラシア行列混合モジュール(LM3)を提案する。
- 参考スコア（独自算出の注目度）: 18.18430351021155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time-series forecasting is a critical task for many
applications, and graph time-series network is widely studied due to its
capability to capture the spatial-temporal correlation simultaneously. However,
most existing works focus more on learning with the explicit prior graph
structure, while ignoring potential information from the implicit graph
structure, yielding incomplete structure modeling. Some recent works attempt to
learn the intrinsic or implicit graph structure directly while lacking a way to
combine explicit prior structure with implicit structure together. In this
paper, we propose Regularized Graph Structure Learning (RGSL) model to
incorporate both explicit prior structure and implicit structure together, and
learn the forecasting deep networks along with the graph structure. RGSL
consists of two innovative modules. First, we derive an implicit dense
similarity matrix through node embedding, and learn the sparse graph structure
using the Regularized Graph Generation (RGG) based on the Gumbel Softmax trick.
Second, we propose a Laplacian Matrix Mixed-up Module (LM3) to fuse the
explicit graph and implicit graph together. We conduct experiments on three
real-word datasets. Results show that the proposed RGSL model outperforms
existing graph forecasting algorithms with a notable margin, while learning
meaningful graph structure simultaneously. Our code and models are made
publicly available at https://github.com/alipay/RGSL.git.
- Abstract（参考訳）: 多変量時系列予測は,多くのアプリケーションにとって重要な課題であり,空間的時間的相関を同時に捉える能力から,グラフ時系列ネットワークが広く研究されている。
しかし、既存のほとんどの作品は、暗黙のグラフ構造から潜在的な情報を無視しながら、明示的な事前のグラフ構造で学習することに集中し、不完全な構造モデリングをもたらす。
いくつかの最近の研究は、明示的な事前構造と暗黙的な構造を組み合わせながら、内在的あるいは暗黙的なグラフ構造を直接学ぼうとしている。
本稿では、明示的な事前構造と暗黙的な構造の両方を組み込んだ正規化グラフ構造学習(RGSL)モデルを提案し、グラフ構造とともに深層ネットワークの予測を学習する。
RGSLは2つの革新的なモジュールから構成される。
まず,ノード埋め込みによる暗黙的な密接な類似性行列を導出し,Gumbel Softmax のトリックに基づいて正規化グラフ生成(RGG)を用いてスパースグラフ構造を学習する。
第二に、明示グラフと暗黙グラフを融合させるラプラシア行列混合モジュール(LM3)を提案する。
実単語のデータセットを3つ実験する。
提案したRGSLモデルは,有意なグラフ構造を同時に学習しながら,既存のグラフ予測アルゴリズムを顕著なマージンで上回ることを示す。
私たちのコードとモデルはhttps://github.com/alipay/rgsl.gitで公開されています。
関連論文リスト
- GraphLSS: Integrating Lexical, Structural, and Semantic Features for Long Document Extractive Summarization [19.505955857963855]
長い文書抽出要約のための異種グラフ構造であるGraphLSSを提案する。
補助学習モデルを必要としない2種類の情報(単語と文)と4種類のエッジ(文の意味的類似性、文発生順序、文中の単語、単語の意味的類似性)を定義する。
論文 参考訳（メタデータ） (2024-10-25T23:48:59Z) - GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。
既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。
グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
論文 参考訳（メタデータ） (2024-02-23T08:29:42Z) - Sparsity exploitation via discovering graphical models in multi-variate
time-series forecasting [1.2762298148425795]
本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。
まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。
次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-29T16:48:00Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Compositionality-Aware Graph2Seq Learning [2.127049691404299]
グラフにおける合成性は、多くの graph2seq タスクの出力シーケンスにおける合成性に関連付けられる。
マルチレベルアテンションプーリング(MLAP)アーキテクチャを採用し、複数のレベルの情報ロケータからグラフ表現を集約する。
MLAPアーキテクチャを持つモデルは、7倍以上のパラメータで従来の最先端モデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-01-28T15:22:39Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - Discrete Graph Structure Learning for Forecasting Multiple Time Series [14.459541930646205]
時系列予測は統計学、経済学、コンピュータ科学において広く研究されている。
本研究では,グラフが未知である場合,グラフニューラルネットワーク(GNN)を同時に学習することを提案する。
経験的評価は、グラフ構造学習のための最近提案されたバイレベル学習アプローチよりも、よりシンプルで効率的で優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-01-18T03:36:33Z) - Improving Graph Neural Network Expressivity via Subgraph Isomorphism
Counting [63.04999833264299]
グラフサブストラクチャネットワーク(GSN)は,サブストラクチャエンコーディングに基づくトポロジ的に認識可能なメッセージパッシング方式である。
Wesfeiler-Leman (WL) グラフ同型テストよりも厳密に表現可能であることを示す。
グラフ分類と回帰タスクについて広範囲に評価を行い、様々な実世界の環境において最先端の結果を得る。
論文 参考訳（メタデータ） (2020-06-16T15:30:31Z) - 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)
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。