論文の概要: TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time
Series Classification
- arxiv url: http://arxiv.org/abs/2304.05078v1
- Date: Tue, 11 Apr 2023 09:21:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 15:40:08.229440
- Title: TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time
Series Classification
- Title（参考訳）: TodyNet:多変量時系列分類のための時間動的グラフニューラルネットワーク
- Authors: Huaiyuan Liu, Xianzhang Liu, Donghua Yang, Zhiyu Liang, Hongzhi Wang,
Yong Cui, Jun Gu
- Abstract要約: 未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。
26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
- 参考スコア（独自算出の注目度）: 6.76723360505692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate time series classification (MTSC) is an important data mining
task, which can be effectively solved by popular deep learning technology.
Unfortunately, the existing deep learning-based methods neglect the hidden
dependencies in different dimensions and also rarely consider the unique
dynamic features of time series, which lack sufficient feature extraction
capability to obtain satisfactory classification accuracy. To address this
problem, we propose a novel temporal dynamic graph neural network (TodyNet)
that can extract hidden spatio-temporal dependencies without undefined graph
structure. It enables information flow among isolated but implicit
interdependent variables and captures the associations between different time
slots by dynamic graph mechanism, which further improves the classification
performance of the model. Meanwhile, the hierarchical representations of graphs
cannot be learned due to the limitation of GNNs. Thus, we also design a
temporal graph pooling layer to obtain a global graph-level representation for
graph learning with learnable temporal parameters. The dynamic graph, graph
information propagation, and temporal convolution are jointly learned in an
end-to-end framework. The experiments on 26 UEA benchmark datasets illustrate
that the proposed TodyNet outperforms existing deep learning-based methods in
the MTSC tasks.
- Abstract（参考訳）: 多変量時系列分類(MTSC)は、一般的なディープラーニング技術によって効果的に解決できる重要なデータマイニングタスクである。
残念なことに、既存のディープラーニングベースの手法は、異なる次元の隠れた依存関係を無視すると同時に、適切な分類精度を得るために十分な特徴抽出能力を持たない時系列のユニークな動的特徴をほとんど考慮しない。
そこで本研究では,非定義のグラフ構造を必要とせず,隠れた時空間依存を抽出できる新しい時空間動的グラフニューラルネットワーク(todynet)を提案する。
孤立しているが暗黙的な相互依存変数間の情報フローを可能にし、動的グラフ機構により異なる時間スロット間の関連をキャプチャし、モデルの分類性能をさらに向上する。
一方、グラフの階層的表現は、GNNの制限のため学べない。
また,学習可能な時間パラメータを用いたグラフ学習のためのグローバルグラフレベル表現を得るために,時間グラフプーリング層を設計する。
動的グラフ、グラフ情報伝搬、時間的畳み込みは、エンドツーエンドのフレームワークで共同で学習される。
26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
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) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳（メタデータ） (2023-06-06T16:24:27Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳（メタデータ） (2023-05-18T06:17:50Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - FTM: A Frame-level Timeline Modeling Method for Temporal Graph
Representation Learning [47.52733127616005]
本稿では,短期的特徴と長期的特徴の両方を捉えるのに役立つフレームレベルタイムラインモデリング(FTM)手法を提案する。
我々の手法は、ほとんどの時間的GNNで簡単に組み立てることができる。
論文 参考訳（メタデータ） (2023-02-23T06:53:16Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Deep Dynamic Effective Connectivity Estimation from Multivariate Time
Series [0.0]
我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。
DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
論文 参考訳（メタデータ） (2022-02-04T21:14:21Z) - Learning Sparse and Continuous Graph Structures for Multivariate Time
Series Forecasting [5.359968374560132]
Learning Sparse and Continuous Graphs for Forecasting (LSCGF)は、グラフ学習と予測に結合する新しいディープラーニングモデルである。
本稿では,スムーズ・スパース・ユニット (SSU) という新しい手法を提案する。
我々のモデルは、訓練可能な小さなパラメータで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-01-24T13:35:37Z) - Dynamic Graph Learning-Neural Network for Multivariate Time Series
Modeling [2.3022070933226217]
静的および動的グラフ学習ニューラルネットワーク(GL)という新しいフレームワークを提案する。
モデルはそれぞれ、データから静的グラフ行列と動的グラフ行列を取得し、長期パターンと短期パターンをモデル化する。
ほぼすべてのデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-12-06T08:19:15Z) - Multivariate Time Series Classification with Hierarchical Variational
Graph Pooling [23.66868187446734]
既存のディープラーニングに基づくMTSC技術は、主に単一時系列の時間依存性に関係している。
MTSの表現的グローバル表現を得るために,グラフプーリングに基づく新しいフレームワークMTPoolを提案する。
10のベンチマークデータセットの実験では、MTSCタスクでMTPoolが最先端の戦略を上回っている。
論文 参考訳（メタデータ） (2020-10-12T12:36:47Z) - 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。