論文の概要: Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting

• arxiv url: http://arxiv.org/abs/2305.19183v1
• Date: Tue, 30 May 2023 16:27:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 15:04:05.099267
• Title: Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting
• Title（参考訳）: グラフに基づく階層型予測のための時系列クラスタリング
• Authors: Andrea Cini, Danilo Mandic, Cesare Alippi
• Abstract要約: 時系列間の既存の関係は、効果的な予測モデルを学ぶ際の帰納的バイアスとして利用することができる。 本稿では,時系列予測のためのディープラーニングの文脈において,関係性および階層的帰納バイアスを統一するグラフベースの手法を提案する。
• 参考スコア（独自算出の注目度）: 10.219833196479142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing relationships among time series can be exploited as inductive biases in learning effective forecasting models. In hierarchical time series, relationships among subsets of sequences induce hard constraints (hierarchical inductive biases) on the predicted values. In this paper, we propose a graph-based methodology to unify relational and hierarchical inductive biases in the context of deep learning for time series forecasting. In particular, we model both types of relationships as dependencies in a pyramidal graph structure, with each pyramidal layer corresponding to a level of the hierarchy. By exploiting modern - trainable - graph pooling operators we show that the hierarchical structure, if not available as a prior, can be learned directly from data, thus obtaining cluster assignments aligned with the forecasting objective. A differentiable reconciliation stage is incorporated into the processing architecture, allowing hierarchical constraints to act both as an architectural bias as well as a regularization element for predictions. Simulation results on representative datasets show that the proposed method compares favorably against the state of the art.
• Abstract（参考訳）: 時系列間の既存の関係は、効果的な予測モデルを学ぶための帰納的バイアスとして活用できる。 階層的時系列では、列のサブセット間の関係は予測値に厳しい制約(階層的帰納的バイアス)をもたらす。 本稿では,時系列予測のためのディープラーニングの文脈において,関係的および階層的帰納的バイアスを統一するグラフベース手法を提案する。 特に、階層のレベルに対応する各ピラミッド層とともに、両方の関係をピラミッドグラフ構造における依存関係としてモデル化する。 現代的な-トレーニング可能な-グラフプーリング演算子を利用することで、階層構造が事前で利用できない場合、データから直接学習できることを示し、予測目的に沿ったクラスタ割り当てを取得する。 処理アーキテクチャには差別化可能な和解段階が組み込まれており、階層的な制約がアーキテクチャのバイアスと予測の正規化要素の両方として振る舞うことができる。 代表的データセットのシミュレーション結果は,提案手法が技術状況と良好に比較できることを示している。

関連論文リスト

• 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)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Hierarchical learning, forecasting coherent spatio-temporal individual and aggregated building loads [1.3764085113103222]
  構造的インフォームド機械学習回帰器と階層的和解分類に基づく新しい多次元階層予測手法を提案する。 本手法は2つの異なるケーススタディを用いて電気的負荷の予測を行う。 全体として、本論文は従来の階層的予測手法を拡張・統一し、新しい世代の予測回帰器への肥大なルートを提供する。
  論文  参考訳（メタデータ） (2023-01-30T15:11:46Z)
• 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)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series [11.826510794042548]
  我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。 集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。 異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
  論文  参考訳（メタデータ） (2021-12-22T05:05:30Z)
• Hierarchically Regularized Deep Forecasting [18.539846932184012]
  本稿では,グローバルな時系列集合に沿って時系列を分解した階層予測のための新しい手法を提案する。 過去の手法とは異なり、我々の手法は時系列予測の一貫性を維持しつつ、推論時にスケーラブルである。
  論文  参考訳（メタデータ） (2021-06-14T17:38:16Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• 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)
• A machine learning approach for forecasting hierarchical time series [4.157415305926584]
  階層時系列を予測するための機械学習手法を提案する。 予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。 我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
  論文  参考訳（メタデータ） (2020-05-31T22:26:16Z)

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。