論文の概要: Multi-Source Knowledge-Based Hybrid Neural Framework for Time Series Representation Learning
- arxiv url: http://arxiv.org/abs/2408.12409v1
- Date: Thu, 22 Aug 2024 13:58:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 13:43:10.598877
- Title: Multi-Source Knowledge-Based Hybrid Neural Framework for Time Series Representation Learning
- Title(参考訳): 時系列表現学習のためのマルチソース知識ベースハイブリッドニューラルネットワークフレームワーク
- Authors: Sagar Srinivas Sakhinana, Krishna Sai Sudhir Aripirala, Shivam Gupta, Venkataramana Runkana,
- Abstract要約: 提案したハイブリッドアーキテクチャは、ドメイン固有の知識とMSSデータに基づく関係構造の暗黙的な知識を組み合わせることで制限に対処する。
このアーキテクチャは、複数のベンチマークデータセットで有望な結果を示し、最先端の予測方法よりも優れています。
- 参考スコア(独自算出の注目度): 2.368662284133926
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurately predicting the behavior of complex dynamical systems, characterized by high-dimensional multivariate time series(MTS) in interconnected sensor networks, is crucial for informed decision-making in various applications to minimize risk. While graph forecasting networks(GFNs) are ideal for forecasting MTS data that exhibit spatio-temporal dependencies, prior works rely solely on the domain-specific knowledge of time-series variables inter-relationships to model the nonlinear dynamics, neglecting inherent relational structural dependencies among the variables within the MTS data. In contrast, contemporary works infer relational structures from MTS data but neglect domain-specific knowledge. The proposed hybrid architecture addresses these limitations by combining both domain-specific knowledge and implicit knowledge of the relational structure underlying the MTS data using Knowledge-Based Compositional Generalization. The hybrid architecture shows promising results on multiple benchmark datasets, outperforming state-of-the-art forecasting methods. Additionally, the architecture models the time varying uncertainty of multi-horizon forecasts.
- Abstract(参考訳): 相互接続型センサネットワークにおける高次元多変量時系列(MTS)を特徴とする複雑な力学系の挙動を正確に予測することは,リスクを最小限に抑えるために,様々なアプリケーションにおける情報決定に不可欠である。
グラフ予測ネットワーク(GFN)は、時空間依存を示すMSSデータを予測するのに理想的であるが、先行研究は、MTSデータ内の変数間の固有の関係構造的依存関係を無視し、非線形ダイナミクスをモデル化するための時系列変数間の関係性に関するドメイン固有の知識にのみ依存している。
対照的に、現代の研究はMTSデータから関係構造を推測するが、ドメイン固有の知識は無視する。
提案したハイブリッドアーキテクチャは,知識に基づく構成一般化を用いて,MTSデータに基づく関係構造のドメイン固有知識と暗黙的知識を組み合わせることで,これらの制約に対処する。
ハイブリッドアーキテクチャは、複数のベンチマークデータセットで有望な結果を示し、最先端の予測方法よりも優れています。
さらに、アーキテクチャは、マルチ水平予測の不確実性の変化をモデル化する。
関連論文リスト
- A Survey of Model Architectures in Information Retrieval [64.75808744228067]
機能抽出のためのバックボーンモデルと、関連性推定のためのエンドツーエンドシステムアーキテクチャの2つの重要な側面に焦点を当てる。
従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。
我々は、パフォーマンスとスケーラビリティのアーキテクチャ最適化、マルチモーダル、マルチランガルデータの処理、従来の検索パラダイムを超えた新しいアプリケーションドメインへの適応など、新たな課題と今後の方向性について議論することで結論付けた。
論文 参考訳(メタデータ) (2025-02-20T18:42:58Z) - Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳(メタデータ) (2025-02-16T23:13:55Z) - Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳(メタデータ) (2024-10-13T21:47:36Z) - Multi-Knowledge Fusion Network for Time Series Representation Learning [2.368662284133926]
MTSデータ内の関係構造の暗黙的な知識と事前知識を組み合わせたハイブリッドアーキテクチャを提案する。
提案アーキテクチャは、複数のベンチマークデータセットに対して有望な結果を示し、最先端の予測手法をかなりの差で上回っている。
論文 参考訳(メタデータ) (2024-08-22T14:18:16Z) - Deep Coupling Network For Multivariate Time Series Forecasting [24.01637416183444]
我々は,MTS予測のための新しいディープカップリングネットワーク,DeepCNを提案する。
提案するDeepCNは,最先端のベースラインに比べて優れた性能を実現する。
論文 参考訳(メタデータ) (2024-02-23T06:38:08Z) - Structural Knowledge Informed Continual Multivariate Time Series
Forecasting [23.18105409644709]
本稿では,連続学習パラダイム内で MTS 予測を行うための新しい構造知識情報連続学習(SKI-CL)フレームワークを提案する。
具体的には、グラフ構造学習に基づく予測モデルを構築し、学習した変数依存と構造知識の間に一貫性の規則化スキームを課す。
本研究では,MTSデータの時間的カバレッジを最大化し,各状態の時間的ダイナミクスと依存性構造を効率的に保存する表現マッチング型メモリ再生方式を開発した。
論文 参考訳(メタデータ) (2024-02-20T05:11:20Z) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳(メタデータ) (2023-05-22T13:39:44Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - LAVARNET: Neural Network Modeling of Causal Variable Relationships for
Multivariate Time Series Forecasting [18.89688469820947]
新たなニューラルネットワークベースのアーキテクチャである LAgged VAriable NETwork が提案されている。
これは本質的に潜在ラグ変数の重要性を推定し、それらの高次元表現を組み合わせて将来の値時系列を予測する。
我々のモデルは、気象学、音楽、太陽活動、金融分野のシミュレーションデータセットと4つの実際のデータセットに基づいて、他のベースラインと最先端のニューラルネットワークアーキテクチャと比較した。
論文 参考訳(メタデータ) (2020-09-02T10:57:28Z) - MTHetGNN: A Heterogeneous Graph Embedding Framework for Multivariate
Time Series Forecasting [4.8274015390665195]
我々は、異種グラフニューラルネットワーク(MTHetGNN)による多変量時系列予測と呼ばれる新しいエンドツーエンドディープラーニングモデルを提案する。
変数間の複雑な関係を特徴付けるため、MTHetGNNでは、各変数をグラフノードと見なす関係埋め込みモジュールを設計する。
時系列の特徴抽出に時間的埋め込みモジュールを導入し、知覚スケールの異なる畳み込みニューラルネットワーク(CNN)フィルタを含む。
論文 参考訳(メタデータ) (2020-08-19T18:21:22Z) - 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。