論文の概要: HGTS-Former: Hierarchical HyperGraph Transformer for Multivariate Time Series Analysis

• arxiv url: http://arxiv.org/abs/2508.02411v1
• Date: Mon, 04 Aug 2025 13:33:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 20:32:48.729504
• Title: HGTS-Former: Hierarchical HyperGraph Transformer for Multivariate Time Series Analysis
• Title（参考訳）: HGTS-Former:多変量時系列解析のための階層型ハイパーグラフ変換器
• Authors: Xiao Wang, Hao Si, Fan Zhang, Xiaoya Zhou, Dengdi Sun, Wanli Lyu, Qingquan Yang, Jin Tang,
• Abstract要約: 本稿では,HGTS-Formerと呼ばれる新しいハイパーグラフベースの時系列トランスフォーマバックボーンネットワークを提案する。 まず、各パッチをトークンに正規化し、次に、各パッチの時間的表現を強化するために、マルチヘッド自己アテンションを採用します。 階層的ハイパーグラフは、各チャネル内の時間パターンを集約し、異なる変数間のきめ細かい関係をまとめるために構築される。
• 参考スコア（独自算出の注目度）: 14.388097471205102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series analysis has long been one of the key research topics in the field of artificial intelligence. However, analyzing complex time series data remains a challenging and unresolved problem due to its high dimensionality, dynamic nature, and complex interactions among variables. Inspired by the strong structural modeling capability of hypergraphs, this paper proposes a novel hypergraph-based time series transformer backbone network, termed HGTS-Former, to address the multivariate coupling in time series data. Specifically, given the multivariate time series signal, we first normalize and embed each patch into tokens. Then, we adopt the multi-head self-attention to enhance the temporal representation of each patch. The hierarchical hypergraphs are constructed to aggregate the temporal patterns within each channel and fine-grained relations between different variables. After that, we convert the hyperedge into node features through the EdgeToNode module and adopt the feed-forward network to further enhance the output features. Extensive experiments conducted on two multivariate time series tasks and eight datasets fully validated the effectiveness of our proposed HGTS-Former. The source code will be released on https://github.com/Event-AHU/Time_Series_Analysis.
• Abstract（参考訳）: 多変量時系列分析は、人工知能分野における重要な研究トピックの1つだ。 しかし、複雑な時系列データを解析することは、その高次元性、動的性質、変数間の複雑な相互作用のために困難で未解決な問題である。 本稿では,HGTS-Formerと呼ばれるハイパーグラフに基づく時系列トランスフォーマーバックボーンネットワークを提案し,時系列データにおける多変量結合に対処する。 具体的には、多変量時系列信号を考えると、まず各パッチを正規化し、トークンに埋め込む。 そして,各パッチの時間的表現を高めるために,マルチヘッドの自己意識を採用する。 階層的ハイパーグラフは、各チャネル内の時間パターンを集約し、異なる変数間のきめ細かい関係をまとめるために構築される。 その後、EdgeToNodeモジュールを介してハイパーエッジをノード機能に変換し、フィードフォワードネットワークを採用して出力機能をさらに強化します。 2つの多変量時系列タスクと8つのデータセットで実施された大規模な実験により、提案したHGTS-Formerの有効性が完全に検証された。 ソースコードはhttps://github.com/Event-AHU/Time_Series_Analysisで公開される。

関連論文リスト

• Hypergraphs on high dimensional time series sets using signature transform [0.0]
  ハイパーグラフで時系列のコレクションを処理するためのフレームワークを開発する。 我々は、制御ランダム性を導入するためにシグネチャ変換の特性を利用する。 提案手法を合成データセット上で検証し,有望な結果を示す。
  論文  参考訳（メタデータ） (2025-07-21T17:02:36Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
  時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。 従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。 本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-23T14:06:30Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [80.56913334060404]
  時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。 従来の手法では、1D時系列から直接これを達成しようと試みていた。 複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
  論文  参考訳（メタデータ） (2022-10-05T12:19:51Z)
• Expressing Multivariate Time Series as Graphs with Time Series Attention Transformer [14.172091921813065]
  多変量時系列表現学習のための時系列注意変換器(TSAT)を提案する。 TSATを用いて、エッジ強化された動的グラフの観点から、時系列の時間情報と相互依存の両方を表現している。 TSATは、様々な予測地平線において、最先端の6つのベースライン法より明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-19T12:25:56Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• 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。