論文の概要: TWIG: A Time-Causal Wavelet Operator for Autoregressive Forecasting on Irregular Graphs

• arxiv url: http://arxiv.org/abs/2609.22585v1
• Date: Fri, 18 Sep 2026 21:09:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.465996
• Title: TWIG: A Time-Causal Wavelet Operator for Autoregressive Forecasting on Irregular Graphs
• Title（参考訳）: TWIG:不規則グラフ上の自己回帰予測のための時間カジュアルウェーブレット演算子
• Abstract要約: 静的不規則グラフ上の自己回帰代理モデリングのためのグラフネイティブニューラルネットワークであるTWIG(Time-Causal Wavelet Operator for Irregular Graphs)を紹介する。 地域拡散, 3次元地下水理, 空力流の3つの不規則領域予測問題に対するTWIGの評価を行った。
• 参考スコア（独自算出の注目度）: 0.4252291080198684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce TWIG (Time-Causal Wavelet Operator for Irregular Graphs), a graph-native neural operator for autoregressive surrogate modeling on static irregular graphs. TWIG transforms each node history into causal multiscale temporal features that separate recent variation from progressively slower memory components, then propagates these features through graph-wavelet operator blocks with gated pointwise channel mixing. The architecture is causal by construction and designed for closed-loop forecasting, where predictions are recursively reused as future inputs. We evaluate TWIG on three irregular-domain forecasting problems spanning regional diffusion, three-dimensional subsurface hydrology, and aerodynamic flow, with graphs ranging from 400 to 5,233 nodes and model capacities from approximately 70k to 10M parameters. TWIG achieves the lowest aggregate rollout errors on the subsurface-hydrology and regional-diffusion benchmarks and ranks second on the 10M-parameter aerodynamic-flow benchmark, behind the GPS Transformer. Across all three settings, TWIG consistently outperforms the corresponding non-time-causal Graph WNO baseline. These results demonstrate that TWIG provides an effective and scalable approach to stable autoregressive forecasting of dynamical fields on irregular graphs.
• Abstract（参考訳）: 静的不規則グラフ上の自己回帰代理モデリングのためのグラフネイティブニューラルネットワークであるTWIG(Time-Causal Wavelet Operator for Irregular Graphs)を紹介する。 TWIGは各ノード履歴を因果的マルチスケールの時間的特徴に変換し、最近の変化を徐々に遅いメモリコンポーネントから切り離す。 このアーキテクチャは設計によって因果的であり、クローズドループ予測のために設計されており、予測は将来の入力として再帰的に再利用される。 局所拡散, 3次元地下水理, 空力流の3つの不規則領域予測問題に対するTWIGの評価を行い, グラフは400から5,233ノード, モデル容量は約70kから10Mパラメータである。 TWIGは、地下水理および地域拡散のベンチマークにおいて最も低い集合的なロールアウト誤差を達成し、GPSトランスフォーマーの後方にある10Mパラメータ空力流のベンチマークで2位である。 3つの設定全体にわたって、TWIGは、対応する非時間カジュアルグラフWNOベースラインを一貫して上回っている。 これらの結果は、不規則グラフ上の動的場の安定な自己回帰予測に対して、TWIGが効果的かつスケーラブルなアプローチを提供することを示している。

関連論文リスト

• Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability [6.370970195988317]
  高度原子炉のリアルタイム監視制御には、プラント全体の熱水和状態の正確な予測が必要である。 物理インフォームドメッセージパス型微分ニューラルネットワークとニューラル正規方程式(GNN-ODE)を提案する。 GNN-ODEサロゲートはシステムダイナミクス予測に満足な結果が得られる。
  論文  参考訳（メタデータ） (2026-04-08T16:58:14Z)
• GEnSHIN: Graphical Enhanced Spatio-temporal Hierarchical Inference Network for Traffic Flow Prediction [0.7605656525323705]
  本稿では,交通流予測における複雑な時間依存性を扱うためのグラフ拡張S時間階層推論ネットワーク(GEnSHIN)を提案する。 公開データセットMETR-LAの実験では、GEnSHINが複数のメトリクスで比較モデルのパフォーマンスを上回ることが示されている。
  論文  参考訳（メタデータ） (2026-01-08T03:27:10Z)
• T-Graphormer: Using Transformers for Spatiotemporal Forecasting [2.855856661274715]
  T-Graphormerは、ルート平均二乗誤差(RMSE)と平均絶対パーセンテージ誤差(MAPE)を最大20%と10%削減する。 本稿では,T-Graphormerのリアルタイムトラフィック予測ベンチマークに対する有効性を示す。
  論文  参考訳（メタデータ） (2025-01-22T23:32:29Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• 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)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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)
• Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution [18.309299822858243]
  DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。 DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。 我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
  論文  参考訳（メタデータ） (2021-04-30T11:25:43Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)

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。