論文の概要: Online Algorithm for Node Feature Forecasting in Temporal Graphs
- arxiv url: http://arxiv.org/abs/2401.16800v2
- Date: Wed, 22 May 2024 20:36:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-25 11:26:41.655635
- 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: 本稿では,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。
また,ノード特徴予測手法の評価を支援するために,合成データセットを生成する手法を提案する。
- 参考スコア（独自算出の注目度）: 12.667148739430798
- 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 captures spatial cross-correlation among different nodes as well as the temporal auto-correlation 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 temporal graph neural network (TGNN) 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 performance across datasets with varying training sizes, a notable advantage over TGNN models that require abundant training samples to effectively learn the spatiotemporal trends in the data. 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 linearly with the number of forecast steps $q$ as $\mathcal{O}(q)$. For an asymptotically large number of nodes $n$, and timesteps $T$, the computational complexity of mspace grows linearly with both $n$, and $T$, i.e., $\mathcal{O}(nT)$, while its space complexity remains constant $\mathcal{O}(1)$. We compare the performance of various mspace variants against ten recent TGNN baselines and two classical baselines, ARIMA and the Kalman filter across ten real-world datasets. Additionally, we propose a technique to generate synthetic datasets to aid in evaluating node feature forecasting methods, with the potential to serve as a benchmark for future research. Lastly, we have investigate the interpretability of different mspace variants by analyzing model parameters alongside dataset characteristics to derive model and data-centric insights.
- 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キャプチャする,時間的グラフのノード特徴を予測するための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。
時間グラフニューラルネットワーク(TGNN)モデルや古典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したパフォーマンスを示しており、データの時空間的傾向を効果的に学習するために、豊富なトレーニングサンプルを必要とするTGNNモデルに対して注目すべき優位性である。
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、予測ステップの数を$q$ as $\mathcal{O}(q)$とすると線形にスケールすることを示す。
漸近的に多くのノードが$n$、タイムステップが$T$の場合、mspaceの計算複雑性は$n$と$T$の両方で線形に増加し、すなわち$\mathcal{O}(nT)$となる。
我々は,近年の10のTGNNベースラインと2つの古典的ベースラインであるARIMAとKalmanフィルタとの比較を行った。
さらに,ノード特徴予測手法の評価を支援するための合成データセットを生成する手法を提案する。
最後に,モデルとデータ中心の洞察を導出するために,モデルパラメータとデータセット特性を併用して解析することで,異なるmspace変種の解釈可能性について検討する。
関連論文リスト
- Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - 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) - 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) - Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。
第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文 参考訳（メタデータ） (2023-02-02T08:33:36Z) - Learning Transition Operators From Sparse Space-Time Samples [11.859913430860335]
遷移作用素$mathbfA$を異なる時間における部分的な観測から学習する非線形問題を考察する。
我々は、$mathcalOrn log(nT)$ space-time sample が、ランク=r$演算子の正確な回復を保証するのに十分であることを示す。
論文 参考訳（メタデータ） (2022-12-01T18:33:59Z) - Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。
我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
論文 参考訳（メタデータ） (2022-10-14T01:42:05Z) - Improved Prediction and Network Estimation Using the Monotone Single
Index Multi-variate Autoregressive Model [34.529641317832024]
単調単一指数多変量自己回帰モデル(SIMAM)に基づく半パラメトリックアプローチを開発する。
我々は、従属データに対する理論的保証と、交互に投影される勾配降下アルゴリズムを提供する。
シミュレーションデータと2つの実データ例において,優れた性能を示す。
論文 参考訳（メタデータ） (2021-06-28T12:32:29Z) - Community recovery in non-binary and temporal stochastic block models [0.17188280334580194]
本稿では,N$ノードのネットワークにおけるペアインタラクションから潜在コミュニティメンバシップを推定する。
一般に測定可能な相互作用空間を$mathcal S$で割ったブロックモデルを導入し、最小到達可能な誤差率に対する情報理論境界を導出する。
また、観測データの非バイナリ性を完全に活用する高速オンライン推定アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-11T15:33:59Z) - 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) - Using Machine Learning to predict extreme events in the H\'enon map [0.0]
古典的パラメータにおける2次元H'enonマップにおける極端な事象の予測のための1つのアルゴリズムの性能を解析する。
力学の内在的なカオス特性とMLパラメータの類似関係は、他の系でも観測可能である。
論文 参考訳（メタデータ） (2020-02-20T15:56:20Z) - 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。