論文の概要: Online Algorithm for Node Feature Forecasting in Temporal Graphs
- arxiv url: http://arxiv.org/abs/2401.16800v1
- Date: Tue, 30 Jan 2024 07:31:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:40:30.862710
- Title: Online Algorithm for Node Feature Forecasting in Temporal Graphs
- Title(参考訳): 時間グラフにおけるノード特徴予測のためのオンラインアルゴリズム
- Authors: Aniq Ur Rahman, Justin P. Coon
- Abstract要約: 時間グラフのノード特徴を予測するためのオンライン"mspace"を提案する。
mspaceは異なるノード間の空間的相互相関とノード内の時間的自己相関をキャプチャする。
mspaceは最先端技術と同等に動作し、いくつかのデータセットでそれらを上回ります。
- 参考スコア(独自算出の注目度): 14.964558198236675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose an online algorithm "mspace" for forecasting node
features in temporal graphs, which adeptly captures spatial cross-correlation
among different nodes as well as the temporal autocorrelation within a node.
The algorithm can be used for both probabilistic and deterministic multi-step
forecasting, making it applicable for estimation and generation tasks.
Comparative evaluations against various baselines, including graph neural
network (GNN) based models and classical Kalman filters, demonstrate that
mspace performs at par with the state-of-the-art and even surpasses them on
some datasets. Importantly, mspace demonstrates consistent robustness across
datasets with varying training sizes, a notable advantage over GNN-based
methods requiring abundant training samples to learn the spatiotemporal trends
in the data effectively. Therefore, employing mspace is advantageous in
scenarios where the training sample availability is limited. Additionally, we
establish theoretical bounds on multi-step forecasting error of mspace and show
that it scales as $O(q)$ for $q$-step forecast.
- Abstract(参考訳): 本稿では,各ノード間の空間的相互相関とノード内の時間的自己相関を包含し,時間的グラフのノード特徴を予測するオンラインアルゴリズム"mspace"を提案する。
このアルゴリズムは確率的および決定論的多段階予測の両方に使用することができ、推定および生成タスクに適用できる。
グラフニューラルネットワーク(GNN)ベースのモデルや古典的なカルマンフィルタなど、さまざまなベースラインに対する比較評価は、mspaceが最先端技術と同等に動作し、一部のデータセットではそれらを上回っていることを示している。
重要なことに、mspaceはトレーニングサイズが異なるデータセット間で一貫性のあるロバスト性を示しており、データの時空間的傾向を効果的に学習するために十分なトレーニングサンプルを必要とするGNNベースの手法よりも顕著なアドバンテージである。
したがって、トレーニングサンプルの可用性が制限されたシナリオでは、mspaceを使うことが有利である。
さらに、mspaceのマルチステップ予測誤差に関する理論的境界を確立し、$O(q)$ for $q$-step forecastとスケールすることを示す。
関連論文リスト
- FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure
Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。
提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。
7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文 参考訳(メタデータ) (2023-11-10T17:13:26Z) - Spatio-temporal DeepKriging for Interpolation and Probabilistic
Forecasting [2.494500339152185]
本稿では、時間・時間・予測のためのディープニューラルネットワーク(DNN)に基づく2段階モデルを提案する。
我々は、確率予測を提供するために、量子ベースの損失関数をプロセスに導入する。
複雑な時間過程の大規模予測に適している。
論文 参考訳(メタデータ) (2023-06-20T11:51:44Z) - Optimal Inference in Contextual Stochastic Block Models [0.0]
属性グラフの教師なしコミュニティ検出のために,文脈ブロックモデル (cSBM) を提案した。
cSBMは、半教師付きノード分類のためのグラフニューラルネットワーク(GNN)の性能を評価するための合成データセットとして広く利用されている。
本稿では,本アルゴリズムが到達した精度と,本論文で提案したGNNアーキテクチャの性能との間には,かなりのギャップが存在することを示す。
論文 参考訳(メタデータ) (2023-06-06T10:02:57Z) - Neural networks for geospatial data [0.0]
NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。
NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。
これは空間データに対するニューラルネットワークアルゴリズムにおける最初の結果整合性である。
論文 参考訳(メタデータ) (2023-04-18T17:52:23Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-15T08:17:18Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - It is all Connected: A New Graph Formulation for Spatio-Temporal
Forecasting [1.278093617645299]
グラフニューラルネットワーク(GNN)ネットワークを用いて時間的および空間的依存関係を学習するためのフレームワークを提案する。
GNNは、すべてのサンプルをグラフ内の独自のノードとして表現する。
このフレームワークは時間次元に沿った測定を必要としないため、データサンプリングの計算を必要とせずに、不規則な時系列、異なる周波数、または欠落データを容易にする。
論文 参考訳(メタデータ) (2023-03-23T11:16:33Z) - Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。
ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。
本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-09-14T09:47:38Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。