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

• arxiv url: http://arxiv.org/abs/2401.09261v2
• Date: Mon, 23 Dec 2024 06:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:51:49.011285
• 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, Binqing Wu, Dongliang Cui,
• 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は様々な設定で最先端のSOTA(State-of-the-art)パフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 5.431115840202783
• License:
• 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 (SOTA) performance across various settings.
• Abstract（参考訳）: 異なるスケールの時間パターン間の相互作用をデミステレーションすることは、正確な長距離時系列予測に不可欠である。 しかし、以前の研究は高次相互作用をモデル化する能力に欠けていた。 長距離時系列予測のための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。 具体的には、高次パターン相互作用をモデル化するための基礎を提供するために、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は、MSHyperが様々な設定で最先端(SOTA)のパフォーマンスを達成することを示した。

関連論文リスト

• 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)
• SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
  本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。 k-サブセットサンプリングの最近の進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。 結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
  論文  参考訳（メタデータ） (2024-10-04T07:49:57Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Interaction Event Forecasting in Multi-Relational Recursive HyperGraphs: A Temporal Point Process Approach [12.142292322071299]
  本研究は,マルチリレーショナル再帰的ハイパーグラフにおける高次相互作用事象の予測問題に対処する。 提案したモデルであるtextitRelational Recursive Hyperedge Temporal Point Process (RRHyperTPP) は,歴史的相互作用パターンに基づいて動的ノード表現を学習するエンコーダを使用する。 我々は,従来のインタラクション予測手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-04-27T15:46:54Z)
• 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)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• 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)

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。