論文の概要: Multi-Factor Spatio-Temporal Prediction based on Graph Decomposition Learning

• arxiv url: http://arxiv.org/abs/2310.10374v1
• Date: Mon, 16 Oct 2023 13:12:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 14:26:48.598507
• Title: Multi-Factor Spatio-Temporal Prediction based on Graph Decomposition Learning
• Title（参考訳）: グラフ分解学習に基づく多因子時空間予測
• Authors: Jiahao Ji, Jingyuan Wang, Yu Mou, and Cheng Long
• Abstract要約: 本稿では,様々な要因の下で部分的なSTデータの進化を予測する多要素ST予測タスクを提案する。 多要素ST予測のための新しいモデル非依存フレームワークである分解グラフ学習(STGDL)を創出する。 その結果,様々なSTモデルの予測誤差を平均9.41%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 31.812810009108684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-temporal (ST) prediction is an important and widely used technique in data mining and analytics, especially for ST data in urban systems such as transportation data. In practice, the ST data generation is usually influenced by various latent factors tied to natural phenomena or human socioeconomic activities, impacting specific spatial areas selectively. However, existing ST prediction methods usually do not refine the impacts of different factors, but directly model the entangled impacts of multiple factors. This amplifies the modeling complexity of ST data and compromises model interpretability. To this end, we propose a multi-factor ST prediction task that predicts partial ST data evolution under different factors, and combines them for a final prediction. We make two contributions to this task: an effective theoretical solution and a portable instantiation framework. Specifically, we first propose a theoretical solution called decomposed prediction strategy and prove its effectiveness from the perspective of information entropy theory. On top of that, we instantiate a novel model-agnostic framework, named spatio-temporal graph decomposition learning (STGDL), for multi-factor ST prediction. The framework consists of two main components: an automatic graph decomposition module that decomposes the original graph structure inherent in ST data into subgraphs corresponding to different factors, and a decomposed learning network that learns the partial ST data on each subgraph separately and integrates them for the final prediction. We conduct extensive experiments on four real-world ST datasets of two types of graphs, i.e., grid graph and network graph. Results show that our framework significantly reduces prediction errors of various ST models by 9.41% on average (35.36% at most). Furthermore, a case study reveals the interpretability potential of our framework.
• Abstract（参考訳）: 時空間(ST)予測は、特に交通データなどの都市システムにおけるSTデータにおいて、データマイニングや分析において重要かつ広く用いられる手法である。 実際には、STデータ生成は通常、自然現象や人間の社会経済活動に関連する様々な潜在要因に影響され、特定の空間領域に選択的に影響を及ぼす。 しかし、既存のST予測法は、通常、異なる要因の影響を洗練せず、複数の要因の絡み合った影響を直接モデル化する。 これにより、stデータのモデリングの複雑さが増幅され、モデル解釈性が損なわれる。 そこで本研究では,異なる要因下での部分stデータ進化を予測し,それらを組み合わせて最終予測を行う多要素st予測タスクを提案する。 効果的な理論解とポータブルインスタンス化フレームワークという,このタスクに2つの貢献をしています。 具体的には,まず,分解予測戦略(decomposed prediction strategy)と呼ばれる理論解を提案し,情報エントロピー理論の観点からその効果を証明する。 その上で,多要素ST予測のための時空間グラフ分解学習(STGDL)と呼ばれる新しいモデルに依存しないフレームワークをインスタンス化する。 フレームワークは、STデータに固有の元のグラフ構造を異なる因子に対応するサブグラフに分解する自動グラフ分解モジュールと、各サブグラフ上の部分STデータを別々に学習し、最終予測のためにそれらを統合する分解学習ネットワークとからなる。 2種類のグラフ、すなわちグリッドグラフとネットワークグラフの4つの実世界のstデータセットについて広範な実験を行う。 その結果,様々なstモデルの予測誤差を平均9.41%削減した(多くは35.36%)。 さらに,本フレームワークの解釈可能性についても検討した。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
  本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。 軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。 提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
  論文  参考訳（メタデータ） (2023-12-22T01:48:09Z)
• 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)
• Self-Supervised Deconfounding Against Spatio-Temporal Shifts: Theory and Modeling [48.09863133371918]
  本研究では,過去の交通データ,将来の交通データ,外部STコンテキストの因果グラフを構築することで,問題を定式化する。 OODトラフィックデータにおける先行技術の失敗は、STコンテキストが共同創設者として機能すること、すなわち過去のデータと将来のデータに対する共通の原因によるものであることが示される。 本研究では,STEVE(Spatio-Temporal sElf-superVised dEconfounding)フレームワークを考案し,トラフィックデータを2つの不整合表現に符号化し,不変および変動STコンテキストを関連付ける。
  論文  参考訳（メタデータ） (2023-11-21T09:33:13Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• 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)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• 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。