論文の概要: TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2501.13041v2
• Date: Tue, 20 May 2025 07:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:51.67195
• Title: TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting
• Title（参考訳）: TimeFilter: 時系列予測のための空間時間グラフフィルタ
• Authors: Yifan Hu, Guibin Zhang, Peiyuan Liu, Disen Lan, Naiqi Li, Dawei Cheng, Tao Dai, Shu-Tao Xia, Shirui Pan,
• Abstract要約: 時系列予測手法は一般的に,Channel Independent(CI)とChannel Dependent(CD)の2つの主要なカテゴリに分類される。 チャネルクラスタリング(CC)の最近の進歩は、類似した特性を持つチャネルをグループ化することで依存性モデリングを洗練することを目的としている。 我々は、適応的できめ細かい依存性モデリングのためのGNNベースのフレームワークであるTimeFilterを提案する。
• 参考スコア（独自算出の注目度）: 87.71846357354384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting methods generally fall into two main categories: Channel Independent (CI) and Channel Dependent (CD) strategies. While CI overlooks important covariate relationships, CD captures all dependencies without distinction, introducing noise and reducing generalization. Recent advances in Channel Clustering (CC) aim to refine dependency modeling by grouping channels with similar characteristics and applying tailored modeling techniques. However, coarse-grained clustering struggles to capture complex, time-varying interactions effectively. To address these challenges, we propose TimeFilter, a GNN-based framework for adaptive and fine-grained dependency modeling. After constructing the graph from the input sequence, TimeFilter refines the learned spatial-temporal dependencies by filtering out irrelevant correlations while preserving the most critical ones in a patch-specific manner. Extensive experiments on 13 real-world datasets from diverse application domains demonstrate the state-of-the-art performance of TimeFilter. The code is available at https://github.com/TROUBADOUR000/TimeFilter.
• Abstract（参考訳）: 時系列予測手法は一般的に、Channel Independent (CI) とChannel Dependent (CD) の2つの主要なカテゴリに分類される。 CIは重要な共変量関係を見落としているが、CDは区別せずにすべての依存関係をキャプチャし、ノイズを導入し、一般化を減らす。 チャネルクラスタリング(CC)の最近の進歩は、類似した特徴を持つチャネルをグループ化し、適切なモデリング手法を適用することによって依存性モデリングを洗練することを目的としている。 しかし、粗粒のクラスタリングは複雑な時間変化の相互作用を効果的に捉えるのに苦労する。 これらの課題に対処するために、適応的できめ細かい依存性モデリングのためのGNNベースのフレームワークであるTimeFilterを提案する。 入力シーケンスからグラフを構築した後、TimeFilterは、無関係な相関をフィルタリングし、パッチ固有の方法で最も重要なものを保存することによって、学習した時空間依存を洗練する。 多様なアプリケーションドメインからの13の実世界のデータセットに関する大規模な実験は、TimeFilterの最先端のパフォーマンスを実証している。 コードはhttps://github.com/TROUBADOUR000/TimeFilter.comで公開されている。

関連論文リスト

• How Much Can Time-related Features Enhance Time Series Forecasting? [27.030553080458716]
  時間関連機能であるTime Stamp Forecaster (TimeSter) をエンコードするモジュールを導入する。 TimeSterは単一の線形プロジェクタの性能を大幅に改善し、ElectricityやTrafficなどのベンチマークデータセットで平均23%MSEを削減している。
  論文  参考訳（メタデータ） (2024-12-02T14:45:26Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Are uGLAD? Time will tell! [4.005044708572845]
  条件独立グラフ(CI)を用いた多変量時系列セグメンテーションのための新しい手法を提案する。 CIグラフは、ノード間の部分的相関を表す確率的グラフィカルモデルである。 身体活動モニタリングデータを用いて実験結果を実証した。
  論文  参考訳（メタデータ） (2023-03-21T07:46:28Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting [19.50001395081601]
  StemGNNはシリーズ間の相関と時間的依存関係をキャプチャする。 畳み込みと逐次学習モジュールによって効果的に予測できる。 StemGNNの有効性を示すために、10の実世界のデータセットに関する広範な実験を実施します。
  論文  参考訳（メタデータ） (2021-03-13T13:44:20Z)
• Data Curves Clustering Using Common Patterns Detection [0.0]
  分析とクラスタリングの時系列、あるいは一般にあらゆる種類の曲線は、いくつかの人間の活動にとって重要である。 共通パターン(CP)方法論を用いた新しい曲線クラスタリングについて紹介する。
  論文  参考訳（メタデータ） (2020-01-05T18:36:38Z)

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。