論文の概要: Taming Local Effects in Graph-based Spatiotemporal Forecasting
- arxiv url: http://arxiv.org/abs/2302.04071v1
- Date: Wed, 8 Feb 2023 14:18:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-09 16:09:50.382859
- Title: Taming Local Effects in Graph-based Spatiotemporal Forecasting
- Title（参考訳）: グラフに基づく時空間予測における局所的効果の減衰
- Authors: Andrea Cini, Ivan Marisca, Daniele Zambon, Cesare Alippi
- Abstract要約: 時相グラフニューラルネットワークは時系列予測に有効であることが示されている。
本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。
このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
- 参考スコア（独自算出の注目度）: 14.616693718720448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatiotemporal graph neural networks have shown to be effective in time
series forecasting applications, achieving better performance than standard
univariate predictors in several settings. These architectures take advantage
of a graph structure and relational inductive biases to learn a single (global)
inductive model to predict any number of the input time series, each associated
with a graph node. Despite the gain achieved in computational and data
efficiency w.r.t. fitting a set of local models, relying on a single global
model can be a limitation whenever some of the time series are generated by a
different spatiotemporal stochastic process. The main objective of this paper
is to understand the interplay between globality and locality in graph-based
spatiotemporal forecasting, while contextually proposing a methodological
framework to rationalize the practice of including trainable node embeddings in
such architectures. We ascribe to trainable node embeddings the role of
amortizing the learning of specialized components. Moreover, embeddings allow
for 1) effectively combining the advantages of shared message-passing layers
with node-specific parameters and 2) efficiently transferring the learned model
to new node sets. Supported by strong empirical evidence, we provide insights
and guidelines for specializing graph-based models to the dynamics of each time
series and show how this aspect plays a crucial role in obtaining accurate
predictions.
- Abstract（参考訳）: 時空間グラフニューラルネットワークは時系列予測アプリケーションに有効であることが示されており、いくつかの設定で標準の単変量予測よりも優れたパフォーマンスを実現している。
これらのアーキテクチャはグラフ構造と関係帰納バイアスを利用して単一の(グローバル)帰納モデルを学び、グラフノードに関連付けられた入力時系列の任意の数を予測する。
局所モデルの集合に適合する計算とデータ効率において達成された利益にもかかわらず、時系列の一部が異なる時空間確率過程によって生成される場合、単一のグローバルモデルに依存することは制限となる。
本稿では,グラフに基づく時空間予測におけるグローバル性と局所性の相互作用を理解すると同時に,学習可能なノード埋め込みを含む実践を合理化する方法論的枠組みを提案する。
訓練可能なノードを埋め込み、特殊なコンポーネントの学習を暗記する役割を担います。
さらに、埋め込みが許される
1)共有メッセージパス層とノード固有パラメータの利点を効果的に結合する
2)学習したモデルを新しいノード集合に効率的に転送する。
強力な実証的証拠によって支持され、グラフベースのモデルを各時系列のダイナミクスに特殊化する洞察とガイドラインを提供し、この側面が正確な予測を得る上で重要な役割を果たすことを示す。
関連論文リスト
- TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - SAMSGL: Series-Aligned Multi-Scale Graph Learning for Spatio-Temporal Forecasting [9.013416216828361]
予測性能の向上を目的としたSGL(Series-Aligned Multi-Scale Graph Learning)フレームワークを提案する。
本研究では,非遅延グラフ信号の集約を容易にする一連のグラフ層を提案する。
気象・交通予測データセットについて実験を行い,その有効性と優越性を実証した。
論文 参考訳（メタデータ） (2023-12-05T10:37:54Z) - 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) - Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。
提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-04T06:42:33Z) - 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) - Sub-Graph Learning for Spatiotemporal Forecasting via Knowledge
Distillation [22.434970343698676]
サブグラフを効果的に学習するためのフレームワークKD-SGLを提案する。
グラフの全体構造と各サブグラフの複数の局所モデルを学ぶために,グローバルモデルを定義する。
論文 参考訳（メタデータ） (2022-11-17T18:02:55Z) - Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。
ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。
本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-09-14T09:47:38Z) - 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) - 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) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - 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。