Fugu-MT 論文翻訳(概要): Graph Deep Learning for Time Series Forecasting

論文の概要: Graph Deep Learning for Time Series Forecasting

arxiv url: http://arxiv.org/abs/2310.15978v1
Date: Tue, 24 Oct 2023 16:26:38 GMT
ステータス: 処理完了
システム内更新日: 2023-10-25 17:49:31.522243
Title: Graph Deep Learning for Time Series Forecasting
Title（参考訳）: 時系列予測のためのグラフ深層学習
Authors: Andrea Cini, Ivan Marisca, Daniele Zambon, Cesare Alippi
Abstract要約: 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。
参考スコア（独自算出の注目度）: 28.30604130617646
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph-based deep learning methods have become popular tools to process collections of correlated time series. Differently from traditional multivariate forecasting methods, neural graph-based predictors take advantage of pairwise relationships by conditioning forecasts on a (possibly dynamic) graph spanning the time series collection. The conditioning can take the form of an architectural inductive bias on the neural forecasting architecture, resulting in a family of deep learning models called spatiotemporal graph neural networks. Such relational inductive biases enable the training of global forecasting models on large time-series collections, while at the same time localizing predictions w.r.t. each element in the set (i.e., graph nodes) by accounting for local correlations among them (i.e., graph edges). Indeed, recent theoretical and practical advances in graph neural networks and deep learning for time series forecasting make the adoption of such processing frameworks appealing and timely. However, most of the studies in the literature focus on proposing variations of existing neural architectures by taking advantage of modern deep learning practices, while foundational and methodological aspects have not been subject to systematic investigation. To fill the gap, this paper aims to introduce a comprehensive methodological framework that formalizes the forecasting problem and provides design principles for graph-based predictive models and methods to assess their performance. At the same time, together with an overview of the field, we provide design guidelines, recommendations, and best practices, as well as an in-depth discussion of open challenges and future research directions.
Abstract（参考訳）: グラフに基づくディープラーニング手法は,関連時系列の収集処理に人気がある。従来の多変量予測法とは異なり、ニューラルグラフベースの予測器は、時系列コレクションにまたがる(おそらく動的)グラフの予測を条件付けることにより、ペアワイズな関係を利用する。条件付けは、ニューラルネットワークの予測アーキテクチャに対するアーキテクチャ上の帰納的バイアスの形を取り得るため、時空間グラフニューラルネットワークと呼ばれる深層学習モデルのファミリとなる。このようなリレーショナルインダクティブバイアスにより、大規模な時系列コレクション上でのグローバル予測モデルのトレーニングが可能になると同時に、各要素(グラフノード)内の各要素(グラフエッジ)の局所的相関(グラフエッジ)を計算して、予測をローカライズする。実際、グラフニューラルネットワークと時系列予測のためのディープラーニングの理論的および実践的な進歩は、そのような処理フレームワークの採用を魅力的かつタイムリーに進めている。しかし、文献研究の大半は現代の深層学習の手法を活かして既存のニューラルアーキテクチャのバリエーションを提案することに焦点を当てているが、基礎的・方法論的側面は体系的調査の対象となっていない。このギャップを埋めるため,本論文では,予測問題を形式化し,グラフに基づく予測モデルや手法の設計原則を提供する,包括的な方法論フレームワークを提案する。同時に、この分野の概要とともに、デザインガイドライン、レコメンデーション、ベストプラクティスを提供し、オープンチャレンジと今後の研究方向性に関する詳細な議論も行います。

関連論文リスト

Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
論文参考訳（メタデータ） (2024-07-03T14:07:41Z)
Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
論文参考訳（メタデータ） (2023-09-18T22:25:12Z)
TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting [20.03223916749058]
時系列予測は、科学と工学における重要な現実世界の応用の核心にある。動的時間グラフ表現を学習するTimeGNNを提案する。 TimeGNNは、他の最先端のグラフベースの手法よりも4倍から80倍高速な推論時間を実現している。
論文参考訳（メタデータ） (2023-07-27T08:10:19Z)
Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
時相グラフニューラルネットワークは時系列予測に有効であることが示されている。本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
論文参考訳（メタデータ） (2023-02-08T14:18:56Z)
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)
Sparse Graph Learning from Spatiotemporal Time Series [16.427698929775023]
本稿では,グラフ上の分布として関係依存を学習するグラフ学習フレームワークを提案する。提案手法は,エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントと同様に,スタンドアローンのグラフ識別手法として利用できることを示す。
論文参考訳（メタデータ） (2022-05-26T17:02:43Z)
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)
A Study of Joint Graph Inference and Forecasting [13.340967777671565]
多変量時系列の予測を改善するためにグラフニューラルネットワーク(GNN)を用いた最近のモデルのクラスについて検討する。グラフを微分可能な方法でパラメータ化することで、モデルは予測品質を改善することを目指している。
論文参考訳（メタデータ） (2021-09-10T16:34:35Z)
From Static to Dynamic Node Embeddings [61.58641072424504]
本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
論文参考訳（メタデータ） (2020-09-21T16:48:29Z)
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)
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。