論文の概要: Conformal Inference for Time Series over Graphs
- arxiv url: http://arxiv.org/abs/2510.11049v1
- Date: Mon, 13 Oct 2025 06:32:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.222062
- Title: Conformal Inference for Time Series over Graphs
- Title（参考訳）: グラフ上の時系列のコンフォーマル推論
- Authors: Sonakshi Dua, Gonzalo Mateos, Sundeep Prabhakar Chepuri,
- Abstract要約: 我々は,グラフ時系列に適した逐次予測フレームワークを開発した。
重要な技術的革新は、グラフ構造を活用して、ノード間のペアの依存関係をキャプチャすることだ。
提案手法は, 楕円体予測セットの体積をグラフに依存しない相対的に指数関数的に縮退させる。
- 参考スコア（独自算出の注目度）: 29.748266176856973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trustworthy decision making in networked, dynamic environments calls for innovative uncertainty quantification substrates in predictive models for graph time series. Existing conformal prediction (CP) methods have been applied separately to multivariate time series and static graphs, but they either ignore the underlying graph topology or neglect temporal dynamics. To bridge this gap, here we develop a CP-based sequential prediction region framework tailored for graph time series. A key technical innovation is to leverage the graph structure and thus capture pairwise dependencies across nodes, while providing user-specified coverage guarantees on the predictive outcomes. We formally establish that our scheme yields an exponential shrinkage in the volume of the ellipsoidal prediction set relative to its graph-agnostic counterpart. Using real-world datasets, we demonstrate that the novel uncertainty quantification framework maintains desired empirical coverage while achieving markedly smaller (up to 80% reduction) prediction regions than existing approaches.
- Abstract（参考訳）: ネットワーク化された動的環境における信頼できる意思決定は、グラフ時系列の予測モデルにおける革新的な不確実性定量化基板を要求する。
既存の共形予測(CP)法は、多変量時系列や静的グラフに別々に適用されているが、基礎となるグラフトポロジーを無視するか、時間力学を無視するかのいずれかである。
このギャップを埋めるために、グラフ時系列に適したCPベースの逐次予測領域フレームワークを開発する。
重要な技術的革新は、グラフ構造を活用して、ノード間の相互依存関係をキャプチャし、予測結果に対するユーザ指定のカバレッジ保証を提供することである。
我々は,このスキームがグラフに依存しない値に対して楕円形予測セットの体積を指数関数的に縮退させることを正式に証明する。
実世界のデータセットを用いて、新しい不確実性定量化フレームワークは、望まれる経験的カバレッジを維持しつつ、既存のアプローチよりも著しく小さい(最大80%の削減)予測領域を実現していることを示す。
関連論文リスト
- Prospective Multi-Graph Cohesion for Multivariate Time Series Anomaly Detection [5.89889361990138]
高次元時系列データにおける異常検出は多くの産業用途において重要である。
本稿では,多変量TSADのためのPMGCフレームワークを提案する。
PMGCは、長期静的グラフと一連の短期インスタンス単位の動的グラフを統合することで空間相関を利用する。
論文 参考訳（メタデータ） (2025-09-21T21:00:21Z) - GraphPPD: Posterior Predictive Modelling for Graph-Level Inference [24.363835075189286]
本研究では,不確実性を考慮した予測を実現するために,後天予測分布(PPD)のための新しい変分モデルフレームワークを提案する。
既存のGNNから派生したグラフレベルの埋め込みに基づいて、我々のフレームワークはデータ適応方式でPDを学習することができる。
論文 参考訳（メタデータ） (2025-08-23T11:28:50Z) - Non-exchangeable Conformal Prediction for Temporal Graph Neural Networks [11.01716974299811]
グラフニューラルネットワーク(GNN)のコンフォーマル予測は、不確実性を定量化するための有望なフレームワークを提供する。
既存の手法は主に静的グラフに焦点を当て、現実世界のグラフの進化の性質を無視している。
我々は、時間グラフに適した新しいエンドツーエンドのコンフォメーション予測フレームワークであるNCPNETを紹介する。
論文 参考訳（メタデータ） (2025-07-02T21:15:00Z) - Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - Adaptive Sparsified Graph Learning Framework for Vessel Behavior Anomalies [3.3711670942444014]
グラフニューラルネットワークは、正確なインタラクションを学習するための強力なツールとして登場した。
本稿では,エッジをタイムスタンプノードとしてモデル化した革新的なグラフ表現を提案する。
この設定は、グラフの間隔を保ちながら空間的相互作用をキャプチャするマルチシップグラフを構築するために拡張される。
論文 参考訳（メタデータ） (2025-02-20T02:01:40Z) - Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
時系列における不確実性定量化の問題を相関配列を利用して解決する。
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。
我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
論文 参考訳（メタデータ） (2025-02-13T16:12:17Z) - Conformalized Link Prediction on Graph Neural Networks [8.807684750444626]
グラフニューラルネットワーク(GNN)は様々なタスクに優れていますが、高い領域でのその応用は信頼性の低い予測によって妨げられます。
本稿では,GNNに基づくリンク予測の統計的保証を伴う予測区間を構築するために,分布自由かつモデルに依存しない不確実性定量化手法を提案する。
論文 参考訳（メタデータ） (2024-06-26T21:17:37Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Sparse Graph Learning from Spatiotemporal Time Series [16.427698929775023]
本稿では,グラフ上の分布として関係依存を学習するグラフ学習フレームワークを提案する。
提案手法は,エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントと同様に,スタンドアローンのグラフ識別手法として利用できることを示す。
論文 参考訳（メタデータ） (2022-05-26T17:02:43Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z)
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。