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

• arxiv url: http://arxiv.org/abs/2310.15978v2
• Date: Fri, 06 Jun 2025 10:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:42.570082
• 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: グラフベースの予測器は、時系列コレクションにまたがるグラフの予測を条件付けすることで、ペアワイズな関係を利用する。 本チュートリアルでは,予測問題を形式化し,グラフベースの予測器の設計原理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）: 25.911123797362315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph deep learning methods have become popular tools to process collections of correlated time series. Unlike traditional multivariate forecasting methods, graph-based predictors leverage pairwise relationships by conditioning forecasts on graphs spanning the time series collection. The conditioning takes the form of architectural inductive biases on the forecasting architecture, resulting in a family of models called spatiotemporal graph neural networks. These biases allow for training global forecasting models on large collections of time series while localizing predictions w.r.t. each element in the set (nodes) by accounting for correlations among them (edges). Recent advances in graph neural networks and deep learning for time series forecasting make the adoption of such processing framework appealing and timely. However, most studies focus on refining existing architectures by exploiting modern deep-learning practices. Conversely, foundational and methodological aspects have not been subject to systematic investigation. To fill this void, this tutorial paper aims to introduce a comprehensive methodological framework formalizing the forecasting problem and providing design principles for graph-based predictors, as well as methods to assess their performance. In addition, together with an overview of the field, we provide design guidelines and best practices, as well as an in-depth discussion of open challenges and future directions.
• Abstract（参考訳）: グラフ深層学習手法は相関時系列の収集を処理するための一般的なツールとなっている。 従来の多変量予測法とは異なり、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グラフの予測を条件付けすることでペアワイズな関係を利用する。 条件付けは予測アーキテクチャにおけるアーキテクチャ帰納的バイアスの形で行われ、時空間グラフニューラルネットワークと呼ばれるモデルのファミリとなる。 これらのバイアスは、時系列の大規模なコレクション上でグローバルな予測モデルをトレーニングし、その間の相関(エッジ)を考慮して、集合(ノード)の各要素をローカライズする。 時系列予測のためのグラフニューラルネットワークとディープラーニングの最近の進歩は、そのような処理フレームワークを魅力的かつタイムリーに採用している。 しかし、ほとんどの研究は、現代のディープラーニングのプラクティスを活用することで、既存のアーキテクチャを洗練することに焦点を当てている。 逆に、基礎的・方法論的な側面は体系的な調査の対象にはなっていない。 この空白を埋めるために,本チュートリアルでは,予測問題を定式化し,グラフベースの予測器の設計原理と,その性能を評価する手法を提供する,包括的な方法論的枠組みを導入することを目的とする。 さらに、この分野の概要とともに、デザインガイドラインとベストプラクティス、オープンチャレンジと今後の方向性に関する詳細な議論も提供します。

関連論文リスト

• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• 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)
• 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。