論文の概要: A Dynamic Stiefel Graph Neural Network for Efficient Spatio-Temporal Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2506.00798v1
• Date: Sun, 01 Jun 2025 02:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.599381
• Title: A Dynamic Stiefel Graph Neural Network for Efficient Spatio-Temporal Time Series Forecasting
• Title（参考訳）: 効率的な時空間時系列予測のための動的スティフェルグラフニューラルネットワーク
• Authors: Jiankai Zheng, Liang Xie,
• Abstract要約: 動的時間関係を効率的に処理する動的動的スティフェルグラフニューラルネットワーク(DST-SGNN)を提案する。 既存のグラフニューラルネットワークは、動的時間関係のモデリングにおいて効率と効率のバランスをとるのに苦労している。 DST-SGNNは比較的低い計算コストを維持しながら最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.367142444278065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal time series (STTS) have been widely used in many applications. However, accurately forecasting STTS is challenging due to complex dynamic correlations in both time and space dimensions. Existing graph neural networks struggle to balance effectiveness and efficiency in modeling dynamic spatio-temporal relations. To address this problem, we propose the Dynamic Spatio-Temporal Stiefel Graph Neural Network (DST-SGNN) to efficiently process STTS. For DST-SGNN, we first introduce the novel Stiefel Graph Spectral Convolution (SGSC) and Stiefel Graph Fourier Transform (SGFT). The SGFT matrix in SGSC is constrained to lie on the Stiefel manifold, and SGSC can be regarded as a filtered graph spectral convolution. We also propose the Linear Dynamic Graph Optimization on Stiefel Manifold (LDGOSM), which can efficiently learn the SGFT matrix from the dynamic graph and significantly reduce the computational complexity. Finally, we propose a multi-layer SGSC (MSGSC) that efficiently captures complex spatio-temporal correlations. Extensive experiments on seven spatio-temporal datasets show that DST-SGNN outperforms state-of-the-art methods while maintaining relatively low computational costs.
• Abstract（参考訳）: 時空間時系列(STTS)は多くのアプリケーションで広く使われている。 しかし、STTSの正確な予測は、時間次元と空間次元の両方の複雑な動的相関のために困難である。 既存のグラフニューラルネットワークは、動的時空間関係のモデリングにおいて効率と効率のバランスをとるのに苦労している。 そこで本稿では,STTSを効率的に処理する動的時空間スティフェルグラフニューラルネットワーク(DST-SGNN)を提案する。 DST-SGNNでは、Stiefel Graph Spectral Convolution (SGSC)とStiefel Graph Fourier Transform (SGFT)を紹介する。 SGSC の SGFT 行列はスティーフェル多様体上に存在することが制約され、SGSC はフィルター付きグラフスペクトル畳み込みと見なすことができる。 また,SGFT行列を動的グラフから効率的に学習し,計算複雑性を大幅に低減する線形動的グラフ最適化(LDGOSM)を提案する。 最後に,複雑な時空間相関を効率的に捉える多層SGSC(MSGSC)を提案する。 7つの時空間データセットの大規模な実験により、DST-SGNNは比較的低い計算コストを維持しながら最先端の手法より優れていることが示された。

関連論文リスト

• Higher-order Spatio-temporal Physics-incorporated Graph Neural Network for Multivariate Time Series Imputation [9.450743095412896]
  欠落値は、複雑な潜時相関と時系列の動的性質のために必須だが難しい問題である。 この問題に対処するために,高次時空間物理を組み込んだグラフニューラルネットワーク(HSPGNN)を提案する。 HSPGNNは従来のデータ駆動型モデルよりも優れた動的解析と説明を提供する。
  論文  参考訳（メタデータ） (2024-05-16T16:35:43Z)
• 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)
• 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)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Spectral Transform Forms Scalable Transformer [1.19071399645846]
  この研究は自己注意の哲学から学び、情報的長距離時間相互作用を用いた効率的なスペクトルベースの神経ユニットを提案する。 開発されたスペクトルウィンドウユニット(SW)モデルは、保証された効率でスケーラブルな動的グラフを予測する。
  論文  参考訳（メタデータ） (2021-11-15T08:46:01Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
  グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。 GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。 本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
  論文  参考訳（メタデータ） (2020-01-27T16:05:56Z)

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。