論文の概要: Nexus sine qua non: Essentially connected neural networks for
spatial-temporal forecasting of multivariate time series
- arxiv url: http://arxiv.org/abs/2307.01482v1
- Date: Tue, 4 Jul 2023 05:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 18:17:25.581534
- Title: Nexus sine qua non: Essentially connected neural networks for
spatial-temporal forecasting of multivariate time series
- Title（参考訳）: Nexus sine qua non:多変量時系列の時空間予測のための基本結合ニューラルネットワーク
- Authors: Tong Nie, Guoyang Qin, Yunpeng Wang, Jian Sun
- Abstract要約: 本稿では,ノード識別を利用したエンコーダの高密度デコーダとメッセージパッシング層によって完全に定義された,コンパクトな予測モデルを提案する。
適切な帰納的ベースを持つ単純でエレガントなモデルが、精巧な設計と比較できることを示す実証的な結果が得られた。
- 参考スコア（独自算出の注目度）: 76.45949280328838
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling and forecasting multivariate time series not only facilitates the
decision making of practitioners, but also deepens our scientific understanding
of the underlying dynamical systems. Spatial-temporal graph neural networks
(STGNNs) are emerged as powerful predictors and have become the de facto models
for learning spatiotemporal representations in recent years. However, existing
architectures of STGNNs tend to be complicated by stacking a series of fancy
layers. The designed models could be either redundant or enigmatic, which pose
great challenges on their complexity and scalability. Such concerns prompt us
to re-examine the designs of modern STGNNs and identify core principles that
contribute to a powerful and efficient neural predictor. Here we present a
compact predictive model that is fully defined by a dense encoder-decoder and a
message-passing layer, powered by node identifications, without any complex
sequential modules, e.g., TCNs, RNNs, and Transformers. Empirical results
demonstrate how a simple and elegant model with proper inductive basis can
compare favorably w.r.t. the state of the art with elaborate designs, while
being much more interpretable and computationally efficient for
spatial-temporal forecasting problem. We hope our findings would open new
horizons for future studies to revisit the design of more concise neural
forecasting architectures.
- Abstract（参考訳）: 多変量時系列のモデリングと予測は、実践者の意思決定を促進するだけでなく、基礎となる力学系の科学的理解を深める。
近年,時空間グラフニューラルネットワーク(STGNN)が強力な予測器として登場し,時空間表現を学習するためのデファクトモデルとなっている。
しかし、既存のstgnnのアーキテクチャは、一連の派手なレイヤーを積み重ねることで複雑になりがちである。
設計されたモデルは冗長か謎めいたものであり、複雑さと拡張性に大きな課題をもたらす。
このような懸念から、私たちは現代のSTGNNの設計を再検討し、強力で効率的な神経予測に寄与するコア原則を特定できます。
本稿では,高密度エンコーダデコーダとノード識別によるメッセージパッシング層によって完全に定義された,TN,RNN,Transformerなどの複雑な逐次モジュールを持たない,コンパクトな予測モデルを提案する。
実験的な結果は、適切な帰納的ベースを持つ単純でエレガントなモデルが、空間的時間的予測問題に対してより解釈可能で計算的に効率的でありながら、芸術の状態と精巧な設計を適切に比較できることを示している。
我々は、より簡潔な神経予測アーキテクチャの設計を再考するために、将来の研究のための新たな地平を開くことを願っている。
関連論文リスト
- Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。
モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
論文 参考訳（メタデータ） (2024-10-16T03:33:40Z) - MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。
事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。
LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
論文 参考訳（メタデータ） (2024-04-08T02:02:15Z) - RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data [33.0546525587517]
RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。
提案手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動に乗じる。
論文 参考訳（メタデータ） (2024-02-16T07:28:59Z) - MLPST: MLP is All You Need for Spatio-Temporal Prediction [40.65579041549435]
交通は典型的な深層モデルに基づく予測手法である。
トラフィック予測のための純粋多層パーセプトロンアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-09-23T12:58:16Z) - Spatial-Temporal Identity: A Simple yet Effective Baseline for
Multivariate Time Series Forecasting [17.84296081495185]
我々は、STGNNほど強力だが、より簡潔で効率的なモデルを設計し、MTS予測の重要な要素について検討する。
本稿では,空間的,時間的両面におけるサンプルの不明瞭さを重要なボトルネックとみなし,MSS予測のための簡易かつ効果的なベースラインを提案する。
これらの結果から,STGNNに制限されることなく,サンプルの不明瞭さを解消できる限り,効率的かつ効率的なモデルを設計できることが示唆された。
論文 参考訳（メタデータ） (2022-08-10T09:25:43Z) - Less Is More: Fast Multivariate Time Series Forecasting with Light
Sampling-oriented MLP Structures [18.592350352298553]
単純な構造をベースとした軽量ディープラーニングアーキテクチャであるLightTSを紹介した。
既存の最先端のメソッドと比較すると、LightTSは5つのメソッドでより良いパフォーマンスを示し、残りの5つで同等のパフォーマンスを示している。
LightTSは堅牢であり、長いシーケンス予測タスクにおける従来のSOTA法よりも精度のばらつきがはるかに小さい。
論文 参考訳（メタデータ） (2022-07-04T04:03:00Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z)
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。