論文の概要: Pruning for Generalization: A Transfer-Oriented Spatiotemporal Graph Framework

• arxiv url: http://arxiv.org/abs/2602.04153v1
• Date: Wed, 04 Feb 2026 02:41:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.344766
• Title: Pruning for Generalization: A Transfer-Oriented Spatiotemporal Graph Framework
• Title（参考訳）: 一般化のためのプルーニング:転送指向時空間グラフフレームワーク
• Authors: Zihao Jing, Yuxi Long, Ganlin Feng,
• Abstract要約: グラフベースの時系列予測モデルを改善するため,TL-GPSGNTを提案する。 情報理論および相関に基づく基準を用いて,構造的情報的部分グラフを抽出する。 TL-GPSGNTは低データ転送シナリオにおけるベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 0.6435984242701042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series forecasting in graph-structured domains is critical for real-world applications, yet existing spatiotemporal models often suffer from performance degradation under data scarcity and cross-domain shifts. We address these challenges through the lens of structure-aware context selection. We propose TL-GPSTGN, a transfer-oriented spatiotemporal framework that enhances sample efficiency and out-of-distribution generalization by selectively pruning non-optimized graph context. Specifically, our method employs information-theoretic and correlation-based criteria to extract structurally informative subgraphs and features, resulting in a compact, semantically grounded representation. This optimized context is subsequently integrated into a spatiotemporal convolutional architecture to capture complex multivariate dynamics. Evaluations on large-scale traffic benchmarks demonstrate that TL-GPSTGN consistently outperforms baselines in low-data transfer scenarios. Our findings suggest that explicit context pruning serves as a powerful inductive bias for improving the robustness of graph-based forecasting models.
• Abstract（参考訳）: グラフ構造領域における多変量時系列予測は実世界のアプリケーションにとって重要であるが、既存の時空間モデルはデータ不足とクロスドメインシフトによる性能劣化に悩まされることが多い。 我々は、構造認識コンテキスト選択のレンズを通してこれらの課題に対処する。 非最適化グラフコンテキストを選択的に刈り取ることにより,サンプル効率と分布外一般化を向上する転送指向時空間フレームワークTL-GPSTGNを提案する。 具体的には、情報理論と相関に基づく基準を用いて、構造的情報的部分グラフと特徴を抽出し、コンパクトでセマンティックな基底表現をもたらす。 この最適化されたコンテキストはその後、複雑な多変量ダイナミクスを捉えるために時空間畳み込みアーキテクチャに統合される。 大規模トラフィックベンチマークの評価は、TL-GPSTGNが低データ転送シナリオにおけるベースラインを一貫して上回っていることを示している。 この結果から,明示的なコンテキストプルーニングは,グラフベース予測モデルの堅牢性向上のための強力な帰納バイアスとなることが示唆された。

関連論文リスト

• Ada-TransGNN: An Air Quality Prediction Model Based On Adaptive Graph Convolutional Networks [7.944991952472549]
  本研究では,グローバルな空間意味と時間的行動を統合するトランスフォーマーに基づくデータ予測手法を提案する。 本モデルは,短期・長期予測において,既存の最先端予測モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-25T10:22:03Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization [29.10084723132903]
  本稿では,時空間探索型パターン学習フレームワークSTRAPを提案する。 推論中、STRAPは現在の入力と類似性に基づいてライブラリから関連するパターンを検索し、プラグイン・アンド・プレイ・プロンプト機構を介してモデルに注入する。 複数の実世界のストリーミンググラフデータセットに対する実験によると、STRAPはSTOODタスクの最先端STGNNベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T06:11:05Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)

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。