論文の概要: When GNNs Fail: Quantifying and Overcoming Temporal Correlation Volatility in Time Series
- arxiv url: http://arxiv.org/abs/2608.07333v1
- Date: Fri, 07 Aug 2026 15:28:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.540237
- Title: When GNNs Fail: Quantifying and Overcoming Temporal Correlation Volatility in Time Series
- Title（参考訳）: GNNが失敗した時 - 時系列における時間相関変動の定量化と克服
- Abstract要約: 本稿では、2つの理論的基盤設計機構によって強化された新しいGNN層であるGLIDE(Graph Layer for Inference in Dynamic En-Vironments)を提案する。
合成および実世界のベンチマークの実験では、GLIDEは静的および動的設定で平均性能を最大45.6%改善している。
- 参考スコア（独自算出の注目度）: 14.456983509027195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling multivariate time series by representing them as graphs, where individual series act as nodes and pairwise temporal corre- lations serve as edges, has gained significant traction. Recent advances in Graph Neural Networks (GNNs) have demonstrated strong perfor- mance by assuming a static graph topology and aggregating information from neighboring series. In this work, we investigate the representa- tional power of GNNs for forecasting under both static and dynamic settings (i.e., when pairwise correlations evolve drastically over time) and identify critical limitations in current architectures. To formalize this, we first propose Temporal Correlation Volatility (TCV), a model- agnostic metric designed to quantify the distributional evolution of these latent structures. We establish a clear connection between TCV and performance degradation, demonstrating that many popular models, including Transformers, generalize poorly in high-TCV settings and are often outperformed by simple structure-agnostic baselines. To address these limitations, we propose Graph Layer for Inference in Dynamic En- vironments (GLIDE), a novel GNN layer enhanced by two theoretically grounded design mechanisms: (D1) Path-based Message Passing, which captures path-based neighborhoods and (D2) Static and Dynamic Propagation Separation, which identifies optimal dynamics via local static approximation. These components significantly improve learning under dynamic topology while preserving robustness in static scenarios. Ex- tensive experiments on synthetic and real-world benchmarks show that GLIDE improves average performance by up to 45.6% across static and dynamic settings, with the largest gain reaching 85.7%. The source code is available at https://github.com/ChenS676/GLIDE.
- Abstract（参考訳）: 多変量時系列をグラフとして表現することでモデル化し、個々の系列がノードとして機能し、ペアの時間的相関関係がエッジとして機能する。
グラフニューラルネットワーク(GNN)の最近の進歩は、静的グラフトポロジを仮定し、隣接する系列からの情報を集約することによって、強力なパーフォルマンスを示している。
本研究では,静的および動的条件下での予測におけるGNNの表現-オプションパワー(すなわち,時間とともに相互相関が劇的に進化する場合)について検討し,現在のアーキテクチャにおける限界点を同定する。
これを形式化するために、我々はまず、これらの潜伏構造の分布進化を定量化するために設計されたモデル非依存の計量である時間相関ボラティリティ(TCV)を提案する。
我々は、TVと性能劣化の明確な関連性を確立し、トランスフォーマーを含む多くの人気モデルが高TCV設定であまり一般化せず、しばしば単純な構造に依存しないベースラインによって性能が向上していることを示す。
これらの制限に対処するため,我々は,経路ベースの近傍をキャプチャするパスベースのメッセージパッシングと,局所的静的近似による最適ダイナミクスを識別する静的および動的伝搬分離という,2つの理論的基盤設計機構によって強化された新しいGNN層であるGLIDE(Graph Layer for Inference in Dynamic En-Vironments)を提案する。
これらのコンポーネントは静的シナリオの堅牢性を維持しながら、動的トポロジ下での学習を大幅に改善する。
合成および実世界のベンチマークに関する以前の集中的な実験によると、GLIDEは静的および動的設定で平均性能を45.6%改善し、最大で85.7%に達した。
ソースコードはhttps://github.com/ChenS676/GLIDE.comで入手できる。
関連論文リスト
- Temporal Memory-Aware Online Test-Time Adaptation on Dynamic Graphs [52.31268996286955]
グラフ上のテスト時間適応(TTA)は、トレーニンググラフ上で十分にトレーニングされたグラフニューラルネットワーク(GNN)をテストグラフに適応させることを目的としている。
DGOTTAと呼ばれる動的グラフ上での時間的メモリを考慮したオンラインテスト時間適応のフレームワークを提案し、テスト時間中によく訓練されたDGNNを効果的に適応させる。
論文 参考訳（メタデータ） (2026-08-28T05:41:39Z) - Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models [59.8742208800447]
分離および分散条件付きプロンプトに基づく動的グラフ基礎モデルであるDyGFMを提案する。
DyGFMは、ノード分類とリンク予測の両方において、12の最先端のベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-05-13T13:50:03Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction [0.5836991649815993]
スパースで継続的な進化を続けるネットワークにおけるリンクの予測は、ネットワーク科学における中心的な課題である。
本研究では,候補リンクを囲む部分グラフを抽出することで,Temporal Graph Networksフレームワークを改善する。
スパースCDRデータセットの実験により、我々の手法は標準のTGNよりも平均精度を2.6%向上させることが示された。
論文 参考訳（メタデータ） (2026-02-15T17:16:47Z) - Dynamic Graph Condensation [40.099854631984556]
動的グラフにおける時間的拡張は、重要なデータ効率の課題を引き起こす。
実動的グラフをコンパクトなバージョンに凝縮するフレームワークであるDyGCを提案する。
提案手法は, 最大96.2%のDGNN性能を保ち, 元のグラフサイズは0.5%に留まり, 最大1846倍の高速化を実現している。
論文 参考訳（メタデータ） (2025-06-16T05:11:29Z) - Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。
提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-04T06:42:33Z) - 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) - 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) - Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。
RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。
離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-04-20T04:12:50Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - Enhancing the Robustness via Adversarial Learning and Joint
Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。
我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。
ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
論文 参考訳（メタデータ） (2022-08-05T09:36:55Z) - 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。