論文の概要: One-Step Graph-Structured Neural Flows for Irregular Multivariate Time Series Classification

• arxiv url: http://arxiv.org/abs/2605.10179v1
• Date: Mon, 11 May 2026 08:31:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.645859
• Title: One-Step Graph-Structured Neural Flows for Irregular Multivariate Time Series Classification
• Title（参考訳）: 不規則な多変量時系列分類のための1ステップグラフ構造化ニューラルフロー
• Authors: Mengzhou Gao, Kaiwei Wang, Pengfei Jiao,
• Abstract要約: 本稿では,対話学習を強化するための2つの補助トラジェクトリ自己超越戦略を導入する一段階グラフ構造化ニューラルフロー(GSNF)を提案する。 5つの実世界のデータセットの実験により、GSNFは、非常に競争力のあるトレーニング時間とメモリ使用量で最先端の分類性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 17.848599473913687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural Flows efficiently model irregular multivariate time series by directly learning ODE solution trajectories with neural networks, bypassing step-by-step numerical solvers. Despite their efficiency, many existing approaches treat variables independently, leaving inter-variable interactions underexplored. Moreover, their one-step mapping makes interaction modeling inherently challenging, as it removes the iterative refinement of interactions during learning. To address this challenge, we propose one-step Graph-Structured Neural Flows (GSNF), which introduce two auxiliary-trajectory self-supervision strategies to strengthen interaction learning: (i) interaction-aware trajectory generation via re-initialization, which induces trajectory divergence to expose graph-induced interactions, with a theoretically derived lower bound on divergence; and (ii) reverse-time trajectory generation, which enforces forward-backward consistency to regularize graph learning, enabled by flow invertibility. Experiments on five real-world datasets show that GSNF achieves state-of-the-art classification performance with highly competitive training time and memory usage.
• Abstract（参考訳）: ニューラルネットワークを用いてODE解軌跡を直接学習し、ステップバイステップの数値解法をバイパスすることにより、不規則な多変量時系列を効率的にモデル化する。 その効率性にもかかわらず、多くの既存のアプローチは変数を独立に扱い、変数間の相互作用は未探索のままである。 さらに、その一段階のマッピングは、学習中の相互作用の反復的洗練を取り除くため、相互作用モデリングを本質的に困難にする。 この課題に対処するために,1段階のグラフ構造化ニューラルフロー(GSNF)を提案する。 (i)再初期化による相互作用を意識した軌跡生成は、グラフ誘起相互作用を公開するために軌跡発散を誘導し、理論的に導出された発散に基づく下界を有する。 (II)逆時間軌道生成は,流れの可逆性によって実現されるグラフ学習の正則化のために,前向きの整合性を強制する。 5つの実世界のデータセットの実験により、GSNFは、非常に競争力のあるトレーニング時間とメモリ使用量で最先端の分類性能を達成することが示された。

関連論文リスト

• Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
  本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。 ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-12-03T12:43:16Z)
• From Information to Generative Exponent: Learning Rate Induces Phase Transitions in SGD [24.623693376876602]
  本稿では,幅広い勾配に基づくアルゴリズムの学習率とサンプルの複雑性の関係を特徴付ける。 学習率の低い「情報指数系」から、学習率の大きい「生成指数系」に相転移があることを実証する。
  論文  参考訳（メタデータ） (2025-10-23T22:03:53Z)
• IBN: An Interpretable Bidirectional-Modeling Network for Multivariate Time Series Forecasting with Variable Missing [6.481926629151858]
  IBN(Interpretable Bidirectional-modeling Network)を提案する。 IBNがUncertainty-Aware Interpolation (UAI)とGraph Convolution (GGCN)を統合した 実験により、ISNは様々な欠落したシナリオ下で最先端の予測性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-09-09T13:27:21Z)
• Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression [83.27791109672927]
  本稿では,資源割当ポリシに対する状態拡張グラフニューラルネットワーク(GNN)のパラメトリゼーションが,ユビキタスな二段階的手法の欠点を回避する方法を示す。 ラグランジアンによる国家拡張政策の最大化は、オフライントレーニングフェーズ中に学習される。 収束結果と指数確率は、双対函数(有限値)最適性ギャップの剰余に縛られることを証明する。
  論文  参考訳（メタデータ） (2025-06-23T15:20:58Z)
• HGTUL: A Hypergraph-based Model For Trajectory User Linking [2.9945319641858985]
  Tray User Linking (TUL) は、匿名のトラジェクトリとそれを生成するユーザをリンクする。 HGTUL(HyperGraph-based Multi-perspective Trajectory User Linking Model)を提案する。
  論文  参考訳（メタデータ） (2025-02-11T13:39:35Z)
• Hierarchical Joint Graph Learning and Multivariate Time Series Forecasting [0.16492989697868887]
  本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。 我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。 提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2023-11-21T14:24:21Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。