論文の概要: Multivariate de Bruijn Graphs: A Symbolic Graph Framework for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2505.22768v1
• Date: Wed, 28 May 2025 18:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.480414
• Title: Multivariate de Bruijn Graphs: A Symbolic Graph Framework for Time Series Forecasting
• Title（参考訳）: Multivariate de Bruijn Graphs: 時系列予測のためのシンボリックグラフフレームワーク
• Authors: Mert Onur Cakiroglu, Idil Bilge Altun, Hasan Kurban, Elham Buxton, Mehmet Dalkilic,
• Abstract要約: 本稿では,記号表現とニューラルモデリングのギャップを埋める新しいエンコーダであるDRAGONを提案する。 DRAGONは連続的な入力シーケンスを離散化し、それらを固定されたグラフ構造にマッピングすることで、グラフベースの注意による動的コンテキスト回復を可能にする。 DRAGONはデュアルブランチアーキテクチャ内の補助モジュールとして統合され、従来のCNNベースのエンコーダを象徴的で構造を意識した表現で拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting remains a challenging task for foundation models due to temporal heterogeneity, high dimensionality, and the lack of inherent symbolic structure. In this work, we propose DRAGON (Discrete Representation and Augmented Graph encoding Over deBruijN Graphs), a novel encoder that introduces Multivariate de Bruijn Graphs (MdBGs) to bridge the gap between symbolic representations and neural modeling. DRAGON discretizes continuous input sequences and maps them onto a fixed graph structure, enabling dynamic context recovery via graph-based attention. Integrated as an auxiliary module within a dual-branch architecture, DRAGON augments conventional CNN-based encoders with symbolic, structure-aware representations. All code developed for this study is available at: https://github.com/KurbanIntelligenceLab/MultdBG-Time-Series-Library
• Abstract（参考訳）: 時系列予測は、時間的不均一性、高次元性、固有の記号構造が欠如しているため、基礎モデルにとって難しい課題である。 本稿では,記号表現とニューラルモデリングのギャップを埋めるために,MdBG(Multivariate de Bruijn Graphs)を導入した新しいエンコーダであるDRAGON(Discrete Representation and Augmented Graph encoding Over deBruijN Graphs)を提案する。 DRAGONは連続的な入力シーケンスを離散化し、それらを固定されたグラフ構造にマッピングすることで、グラフベースの注意による動的コンテキスト回復を可能にする。 DRAGONはデュアルブランチアーキテクチャ内の補助モジュールとして統合され、従来のCNNベースのエンコーダをシンボル的、構造を意識した表現で拡張する。 https://github.com/KurbanIntelligenceLab/MultdBG-Time-Series-Library.com/MultdBG-Time-Series-Library

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• GraphCroc: Cross-Correlation Autoencoder for Graph Structural Reconstruction [6.817416560637197]
  グラフオートエンコーダ(GAE)はノード埋め込みからグラフ構造を再構築する。 我々はGAE表現能力を著しく向上する相互相関機構を導入する。 また、さまざまな下流タスクに適したフレキシブルエンコーダアーキテクチャをサポートする新しいGAEであるGraphCrocを提案する。
  論文  参考訳（メタデータ） (2024-10-04T12:59:45Z)
• Supra-Laplacian Encoding for Transformer on Dynamic Graphs [14.293220696079919]
  本稿では,時間情報を保持しつつ,GTアーキテクチャの新しいテンポラルエンコーディングを提案する。 具体的には、Time Dynamic Graphplas を多層グラフに変換し、関連する超ラテン行列のスペクトル特性を利用する。 第2のコントリビューションは、動的リンク予測のための正確なエッジ表現を提供するクロスアテンション機構と相互にノードをモデル化する。
  論文  参考訳（メタデータ） (2024-09-26T15:56:40Z)
• Learning Long Range Dependencies on Graphs via Random Walks [6.7864586321550595]
  メッセージパッシンググラフニューラルネットワーク(GNN)は、局所的な関係を捉えるのに優れているが、グラフの長距離依存に苦慮している。 グラフ変換器(GT)はグローバルな情報交換を可能にするが、グラフを固定長ベクトルの集合として表現することでグラフ構造を単純化することが多い。 この研究は、ランダムウォークの長距離情報とローカルメッセージパッシングを組み合わせることによって、両方のアプローチの欠点を克服する新しいアーキテクチャを導入する。
  論文  参考訳（メタデータ） (2024-06-05T15:36:57Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Sparsity exploitation via discovering graphical models in multi-variate time-series forecasting [1.2762298148425795]
  本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。 まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。 次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-29T16:48:00Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• Regularized Graph Structure Learning with Semantic Knowledge for Multi-variates Time-Series Forecasting [18.18430351021155]
  明示的な事前構造と暗黙的な構造の両方を一体化するための正規化グラフ構造学習(RGSL)モデルを提案する。 まず,ノード埋め込みによる暗黙的な密接な類似性行列を導出し,Gumbel Softmax のトリックに基づいて正規化グラフ生成(RGG)を用いてスパースグラフ構造を学習する。 第二に、明示グラフと暗黙グラフを融合させるラプラシア行列混合モジュール(LM3)を提案する。
  論文  参考訳（メタデータ） (2022-10-12T12:38:21Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)

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。