論文の概要: Inductive Spatial Temporal Prediction Under Data Drift with Informative Graph Neural Network
- arxiv url: http://arxiv.org/abs/2409.13253v1
- Date: Fri, 20 Sep 2024 06:21:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 11:18:04.182558
- Title: Inductive Spatial Temporal Prediction Under Data Drift with Informative Graph Neural Network
- Title（参考訳）: Informative Graph Neural Network を用いたデータドリフトにおける時空間インダクティブ予測
- Authors: Jialun Zheng, Divya Saxena, Jiannong Cao, Hanchen Yang, Penghui Ruan,
- Abstract要約: Informative Graph Neural Network (INF-GNN) を設計し、多様化した不変パターンを抽出し、データドリフト時の予測精度を向上させる。
まず、一意に設計された指標であるRelation Importance (RI)を用いて、安定した実体と異なる空間関係を効果的に選択できる情報サブグラフを構築する。
次に,時間間隔内の影響関数を用いて抽出した貴重なタイムスタンプを強調するための情報的時間記憶バッファを提案する。
- 参考スコア（独自算出の注目度）: 9.7008424860611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inductive spatial temporal prediction can generalize historical data to predict unseen data, crucial for highly dynamic scenarios (e.g., traffic systems, stock markets). However, external events (e.g., urban structural growth, market crash) and emerging new entities (e.g., locations, stocks) can undermine prediction accuracy by inducing data drift over time. Most existing studies extract invariant patterns to counter data drift but ignore pattern diversity, exhibiting poor generalization to unseen entities. To address this issue, we design an Informative Graph Neural Network (INF-GNN) to distill diversified invariant patterns and improve prediction accuracy under data drift. Firstly, we build an informative subgraph with a uniquely designed metric, Relation Importance (RI), that can effectively select stable entities and distinct spatial relationships. This subgraph further generalizes new entities' data via neighbors merging. Secondly, we propose an informative temporal memory buffer to help the model emphasize valuable timestamps extracted using influence functions within time intervals. This memory buffer allows INF-GNN to discern influential temporal patterns. Finally, RI loss optimization is designed for pattern consolidation. Extensive experiments on real-world dataset under substantial data drift demonstrate that INF-GNN significantly outperforms existing alternatives.
- Abstract（参考訳）: 帰納的時空間予測は、非常にダイナミックなシナリオ(例えば、交通システム、株式市場)に不可欠な、目に見えないデータを予測するために歴史的データを一般化することができる。
しかし、外部イベント(都市構造の成長、市場崩壊など)や新たなエンティティ(ロケーション、株式など)は、時間の経過とともにデータドリフトを誘導することで予測精度を損なう可能性がある。
既存の研究では、データドリフトに対抗するために不変パターンを抽出するが、パターンの多様性は無視する。
この問題に対処するため,多変量パターンを抽出し,データドリフト時の予測精度を向上させるためのインフォーマティブグラフニューラルネットワーク(INF-GNN)を設計した。
まず,一意に設計された指標であるRelation Importance (RI) を用いて,安定な実体と異なる空間関係を効果的に選択できる情報サブグラフを構築する。
このサブグラフは、近隣のマージを通じて新しいエンティティのデータをさらに一般化する。
次に,時間間隔内の影響関数を用いて抽出した貴重なタイムスタンプを強調するための情報的時間記憶バッファを提案する。
このメモリバッファは、INF-GNNが影響力のある時間パターンを識別することを可能にする。
最後に、RI損失の最適化はパターンの整合性のために設計されている。
大規模なデータドリフト下の実世界のデータセットに関する大規模な実験は、INF-GNNが既存の選択肢よりも大幅に優れていることを示した。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - Graph Pruning Based Spatial and Temporal Graph Convolutional Network with Transfer Learning for Traffic Prediction [0.0]
本研究では,グラフプルーニングと転送学習の枠組みに基づく新しい時空間畳み込みネットワーク(TL-GPSTGN)を提案する。
その結果、単一のデータセット上でのTL-GPSTGNの異常な予測精度と、異なるデータセット間の堅牢なマイグレーション性能が示された。
論文 参考訳（メタデータ） (2024-09-25T00:59:23Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。
既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。
本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文 参考訳（メタデータ） (2024-03-31T17:18:57Z) - 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) - MemDA: Forecasting Urban Time Series with Memory-based Drift Adaptation [24.284969264008733]
本稿では,データの周期性を考慮してドリフトを符号化するコンセプトドリフト問題に対する新しい都市時系列予測モデルを提案する。
我々の設計は最先端の手法よりも優れており、既存の予測バックボーンに十分に一般化することができる。
論文 参考訳（メタデータ） (2023-09-25T15:22:28Z) - Graph-enabled Reinforcement Learning for Time Series Forecasting with
Adaptive Intelligence [11.249626785206003]
グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。
GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。
このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
論文 参考訳（メタデータ） (2023-09-18T22:25:12Z) - Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。
具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。
モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
論文 参考訳（メタデータ） (2022-05-21T20:01:31Z) - Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。
本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2022-01-30T16:43:40Z) - Spatiotemporal convolutional network for time-series prediction and
causal inference [21.895413699349966]
時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。
このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2021-07-03T06:20:43Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z)
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。