論文の概要: Sparsity exploitation via discovering graphical models in multi-variate
time-series forecasting
- arxiv url: http://arxiv.org/abs/2306.17090v1
- Date: Thu, 29 Jun 2023 16:48:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 12:28:36.755622
- Title: Sparsity exploitation via discovering graphical models in multi-variate
time-series forecasting
- Title（参考訳）: 多変量時系列予測におけるグラフィカルモデルの発見によるスパーシティ・エクスプロイジョン
- Authors: Ngoc-Dung Do, Truong Son Hy, Duy Khuong Nguyen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.2762298148425795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have been widely applied in multi-variate
time-series forecasting (MTSF) tasks because of their capability in capturing
the correlations among different time-series. These graph-based learning
approaches improve the forecasting performance by discovering and understanding
the underlying graph structures, which represent the data correlation. When the
explicit prior graph structures are not available, most existing works cannot
guarantee the sparsity of the generated graphs that make the overall model
computational expensive and less interpretable. In this work, we propose a
decoupled training method, which includes a graph generating module and a GNNs
forecasting module. First, we use Graphical Lasso (or GraphLASSO) to directly
exploit the sparsity pattern from data to build graph structures in both static
and time-varying cases. Second, we fit these graph structures and the input
data into a Graph Convolutional Recurrent Network (GCRN) to train a forecasting
model. The experimental results on three real-world datasets show that our
novel approach has competitive performance against existing state-of-the-art
forecasting algorithms while providing sparse, meaningful and explainable graph
structures and reducing training time by approximately 40%. Our PyTorch
implementation is publicly available at https://github.com/HySonLab/GraphLASSO
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、異なる時系列間の相関を捉える能力のため、多変量時系列予測(MTSF)タスクに広く応用されている。
これらのグラフに基づく学習手法は、データ相関を表す基礎となるグラフ構造を発見し、理解することで予測性能を向上させる。
明示的な事前グラフ構造が利用できない場合、既存の作品の多くは生成されたグラフのスパース性を保証することができないため、モデル全体の計算コストは高く、解釈しにくい。
本研究では,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、グラフラッソ(GraphLASSO)を使用してデータから空間パターンを直接利用し、静的かつ時間的に変化するケースでグラフ構造を構築する。
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。
実世界の3つのデータセットに対する実験結果から,我々の新しい手法は既存の最先端予測アルゴリズムと競合し,疎密で有意義で説明可能なグラフ構造を提供し,トレーニング時間を約40%短縮することを示した。
pytorchの実装はhttps://github.com/hysonlab/graphlassoで公開しています。
関連論文リスト
- FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure
Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。
提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。
7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文 参考訳（メタデータ） (2023-11-10T17:13:26Z) - 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) - Time-aware Graph Structure Learning via Sequence Prediction on Temporal
Graphs [10.034072706245544]
時系列グラフのシーケンス予測による時間認識型グラフ構造学習(TGSL)手法を提案する。
特に、タイムアウェアなコンテキスト埋め込みを予測し、Gumble-Top-Kを使用して、このコンテキスト埋め込みに最も近い候補エッジを選択する。
時間リンク予測ベンチマークの実験は、TGSLがTGATやGraphMixerのような一般的なTGNに対して大きな利益をもたらすことを示した。
論文 参考訳（メタデータ） (2023-06-13T11:34:36Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - 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) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。
既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。
本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
論文 参考訳（メタデータ） (2021-12-07T16:29:10Z) - 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) - 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。