論文の概要: MSHyper: Multi-Scale Hypergraph Transformer for Long-Range Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2401.09261v1
• Date: Wed, 17 Jan 2024 15:12:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 15:38:38.402632
• Title: MSHyper: Multi-Scale Hypergraph Transformer for Long-Range Time Series Forecasting
• Title（参考訳）: MSHyper:長距離時系列予測のためのマルチスケールハイパーグラフ変換器
• Authors: Zongjiang Shang, Ling Chen
• Abstract要約: より包括的なパターン相互作用モデリングを促進するために,マルチスケールハイパーグラフトランス (MSHyper) フレームワークを提案する。 MSHyperは最先端のパフォーマンスを達成し、予測エラーを平均8.73%、MSEとMAEのベースラインで7.15%削減する。
• 参考スコア（独自算出の注目度）: 7.178309082582536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Demystifying interactions between temporal patterns of different scales is fundamental to precise long-range time series forecasting. However, previous works lack the ability to model high-order interactions. To promote more comprehensive pattern interaction modeling for long-range time series forecasting, we propose a Multi-Scale Hypergraph Transformer (MSHyper) framework. Specifically, a multi-scale hypergraph is introduced to provide foundations for modeling high-order pattern interactions. Then by treating hyperedges as nodes, we also build a hyperedge graph to enhance hypergraph modeling. In addition, a tri-stage message passing mechanism is introduced to aggregate pattern information and learn the interaction strength between temporal patterns of different scales. Extensive experiments on five real-world datasets demonstrate that MSHyper achieves state-of-the-art performance, reducing prediction errors by an average of 8.73% and 7.15% over the best baseline in MSE and MAE, respectively.
• Abstract（参考訳）: 異なるスケールの時間パターン間の非神秘化相互作用は、精密な長距離時系列予測の基盤である。 しかし、以前の作品には高次相互作用をモデル化する能力が欠けている。 長距離時系列予測のためのより包括的なパターンインタラクションモデリングを促進するために,マルチスケールハイパーグラフトランスフォーマ(mshyper)フレームワークを提案する。 具体的には、高次パターンインタラクションをモデリングするための基盤を提供するために、マルチスケールハイパーグラフが導入された。 次に、ハイパーエッジをノードとして扱うことにより、ハイパーグラフモデリングを強化するハイパーエッジグラフを構築する。 さらに、3段階のメッセージパッシング機構を導入し、パターン情報を集約し、異なるスケールの時間パターン間の相互作用強度を学習する。 5つの実世界のデータセットに対する大規模な実験により、MSHyperは最先端のパフォーマンスを達成し、予測エラーを平均8.73%、MSEとMAEのベースラインで平均7.15%削減した。

関連論文リスト

• STDHL: Spatio-Temporal Dynamic Hypergraph Learning for Wind Power Forecasting [5.003934238878358]
  風力発電所における空間的特徴を表現するための動的ハイパーグラフ学習(STDHL)モデルを提案する。 STDHLモデルは、動的空間相関をモデル化するための新しい動的ハイパーグラフ畳み込み層と、チャネル非依存の時間モデルのためのグループ化された時間畳み込み層を組み込んでいる。
  論文  参考訳（メタデータ） (2024-12-16T02:43:29Z)
• Ada-MSHyper: Adaptive Multi-Scale Hypergraph Transformer for Time Series Forecasting [5.431115840202783]
  時系列予測のための適応型マルチスケールハイパーグラフ変換器(Ada-MSHyper)を提案する。 Ada-MSHyperは最先端の性能を達成し、予測誤差を平均4.56%、10.38%、MSEの4.97%減らし、長距離、短距離、超長距離の時系列予測を行う。
  論文  参考訳（メタデータ） (2024-10-31T14:51:09Z)
• Higher-order Cross-structural Embedding Model for Time Series Analysis [12.35149125898563]
  時系列分析は、医療、金融、センサーネットワークといった様々な分野における重要な応用のために、注目されている。 現在のアプローチでは、時系列内の高次相互作用をモデル化し、時間的あるいは空間的依存関係を別々に学習することに注力しています。 本稿では,時間的視点と空間的視点の両方を協調的にモデル化する新しいフレームワークであるHigh-TS(Higher-order Cross-structural Embedding Model for Time Series)を提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:51:14Z)
• Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation [74.65906322148997]
  本稿では,画像特徴量間の複雑な高次相関を捉えるためにハイパーグラフ計算を統合する新しいオブジェクト検出手法を提案する。 Hyper-YOLOは、高度なYOLOv8-NとYOLOv9Tを12%のtextval$と9%のAPMoonLabの改善で大幅に上回っている。
  論文  参考訳（メタデータ） (2024-08-09T01:21:15Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• 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)
• Neural Higher-order Pattern (Motif) Prediction in Temporal Networks [9.717332900439432]
  時間ハイパーグラフにおける高次パターン予測のための最初のモデルHITを提案する。 ヒッタは、時間ハイパーグラフ上のノード三重項の構造的表現を抽出し、それを使って、この三重項において相互作用の展開が起こる理由、時期、および理由を判断する。
  論文  参考訳（メタデータ） (2021-06-10T20:42:41Z)
• Variational Hyper RNN for Sequence Modeling [69.0659591456772]
  本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。 提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。 提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
  論文  参考訳（メタデータ） (2020-02-24T19:30:32Z)

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。