論文の概要: GNBAN: Graph Neural Basis Attention Networks for Long-Horizon Forecasting over Large Entity Sets

• arxiv url: http://arxiv.org/abs/2606.27863v1
• Date: Fri, 26 Jun 2026 09:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.4365
• Title: GNBAN: Graph Neural Basis Attention Networks for Long-Horizon Forecasting over Large Entity Sets
• Title（参考訳）: GNBAN: 大規模エンティティセット上での長期予測のためのグラフニューラルネットワークバスアテンションネットワーク
• Abstract要約: 小売階層の底辺での需要予測には、製品、店舗、地域間で何万もの相関したロングホライゾンシリーズを予測する必要がある。 ヘテロジニアスグラフ表現学習と解釈可能な基底分解ヘッドを組み合わせたエンドツーエンドアーキテクチャであるGNBANを提案する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Demand forecasting at the bottom of a retail hierarchy requires predicting tens of thousands of correlated long-horizon series across products, stores, and regions. Modern systems must scale across massive catalogs, capture shared demand dynamics, and remain interpretable enough to be trusted. Classical statistical methods need a separate model per series and are hard to manage at scale; deep autoregressive models struggle as the joint state grows to tens of thousands of dimensions; and recent graph-based forecasters, while capturing cross-entity dependencies, often produce opaque long-horizon forecasts. We propose GNBAN (Graph Neural Basis Attention Network), an end-to-end architecture combining heterogeneous graph representation learning with an interpretable basis-decomposition head. Retail data are represented directly as a heterogeneous graph derived from the relational schema, so a single model serves the entire catalog. Rather than predicting the horizon directly, GNBAN decomposes each forecast into trend, seasonal, and generic components. Its key innovation is a per-basis attention mechanism: each basis function keeps its own learnable query and retrieves information independently from the entity's historical neighborhood, letting different bases specialize to distinct temporal patterns while preserving interpretability. On two large-scale benchmarks, M5 Walmart and Favorita Grocery Sales, evaluated under matched protocols, GNBAN improves volume-weighted WRMSSE by roughly 4-5% over a matched graph baseline. Qualitative analysis shows the learned decomposition exposes trend, seasonal, and residual demand drivers without post-hoc explanation methods. These results demonstrate that scalable relational forecasting and interpretable forecast decomposition can be achieved together in a unified graph-based framework.
• Abstract（参考訳）: 小売階層の底辺での需要予測には、製品、店舗、地域間で何万もの相関したロングホライゾンシリーズを予測する必要がある。 現代のシステムは、巨大なカタログをまたいでスケールし、共有需要のダイナミクスを捉え、信頼できるように解釈しなければなりません。 古典的な統計手法では、シリーズごとに別々のモデルが必要であり、スケールで管理するのは難しい; 結合状態が数万次元に成長するにつれて、深い自己回帰モデルは苦労する; グラフベースの最近の予測器は、相互依存を捉えながら、しばしば不透明な長期水平予測を生成する。 ヘテロジニアスグラフ表現学習と解釈可能な基底分解ヘッドを組み合わせたエンドツーエンドアーキテクチャであるGNBAN(Graph Neural Basis Attention Network)を提案する。 小売データは、関係スキーマから派生した異種グラフとして直接表現されるので、単一のモデルがカタログ全体を提供する。 GNBANは地平線を直接予測するのではなく、各予測をトレンド、季節、一般的なコンポーネントに分解する。 それぞれの基底関数は、学習可能なクエリを保持し、エンティティの歴史的地区から独立して情報を検索し、解釈可能性を維持しながら異なる時間パターンに特化させる。 マッチングプロトコルで評価されたM5 WalmartとFavorita Grocery Salesの2つの大規模ベンチマークでは、GNBANはマッチしたグラフベースラインに対して、ボリューム重み付きWRMSSEを約4-5%改善する。 定性的な分析は、学習した分解が、時間後説明法を使わずに、トレンド、季節、および残留需要ドライバを露呈することを示している。 これらの結果は,スケーラブルな関係予測と解釈可能な予測分解を統合グラフベースのフレームワークで同時に実現できることを実証する。

関連論文リスト

• Graph Hierarchical Recurrence for Long-Range Generalization [25.351165089986868]
  グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)は現在、グラフ学習の基本的なパラダイムとなっている。 グラフ階層再帰(GHR: Graph Hierarchical Recurrence)は,入力グラフとプールによって得られる階層的抽象化を併用した新しいフレームワークである。 我々はGHRが既存のグラフモデルより一貫して優れており、現在の最先端モデルのパラメータの1%しか使用していないことを示す。
  論文  参考訳（メタデータ） (2026-05-18T13:31:21Z)
• Learning Posterior Predictive Distributions for Node Classification from Synthetic Graph Priors [32.18961351570798]
  グラフニューラルネットワーク(GNN)は基本的な制限に直面している。 グラフ固有のトレーニングを使わずに任意のグラフに一般化するNodePFNを導入する。 1つの事前訓練されたNodePFNは、23のベンチマークで71.27の平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-21T03:23:34Z)
• Leveraging Spatiotemporal Graph Neural Networks for Multi-Store Sales Forecasting [0.8680081568963]
  我々は、学習した適応グラフを通してストア間の依存関係をモデル化する関係予測フレームワークを構築した。 提案したSTGNNは,ログ依存販売を予測し,残留経路を通じて最終値を再構築することにより,安定したトレーニングと一般化を実現する。 実験の結果,STGNNの総予測誤差は最小であり,正規化トータル絶対誤差,P90 MAPE,店舗間のMAPEのばらつきに優れていた。
  論文  参考訳（メタデータ） (2025-11-24T16:19:48Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Relational Graph Transformer [44.56132732108148]
  Graph Transformer (Relel) はリレーショナルテーブル用に設計された最初のグラフトランスである。 Relelは、各ノードを5つのコンポーネントに分解する、新しい多要素トークン化戦略を採用している。 我々のアーキテクチャは、サンプル化されたサブグラフに対する局所的な注意と、学習可能なセントロイドに対するグローバルな注意を組み合わせる。
  論文  参考訳（メタデータ） (2025-05-16T07:51:58Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Crime Prediction with Graph Neural Networks and Multivariate Normal Distributions [18.640610803366876]
  グラフ畳み込みネットワーク(GCN)のフレキシブルな構造を利用して,高分解能領域における疎結合問題に取り組む。 グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。 モデルが生成性だけでなく,正確性も示しています。
  論文  参考訳（メタデータ） (2021-11-29T17:37:01Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)

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。