論文の概要: Dynamic bigraphical Matérn--Whittle processes: learning dependence graphs among spatial-temporal fields
- arxiv url: http://arxiv.org/abs/2611.18454v1
- Date: Fri, 13 Nov 2026 17:27:43 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:29:38.599925
- Title: Dynamic bigraphical Matérn--Whittle processes: learning dependence graphs among spatial-temporal fields
- Title(参考訳): 動的ビジュラルマテラン過程--時空間場間の学習依存グラフ
- Abstract要約: 多くの研究は、一連の期間にわたって同じ場所でいくつかの変数を記録している。
中心的な問題は変数と時間的変化の間の依存性に関するものである。
このようなデータに対する動的ビジュアルなMatern-Whittleプロセスを開発する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Many studies record several variables at the same sites over a sequence of periods, such as pollutant concentrations at monitoring stations or case counts of infectious diseases by district. A central question concerns the dependence between the variables and its change over time. We develop dynamic bigraphical Matérn--Whittle (DBMW) processes for such data. Each variable has a spatial field that evolves by autoregression. A graph over the variables couples the temporal innovations of the fields. Its links appear and vanish over time, and a link may change sign. A graph Laplacian on the sites gives the spatial structure, and a canonical exponential family links the fields to Gaussian, count or binomial responses. The joint distribution of the latent fields over all sites, variables and periods factorizes over the eigenmodes of the graph Laplacian, and its normalizing constant is free of the graph and of the dynamics. Given the fields, the posterior of the time-varying signed graph is therefore exact, by forward--backward recursions. The estimator has three steps: a fit without a graph, which also gives the switching rates with an interval, the exact graph posterior, and a joint refit. In simulations, DBMW recovers the graph with higher average precision than graphical lasso, time-varying graphical lasso and Poisson log-normal networks, and it predicts withheld data better than a standard spatio-temporal model that fits each variable separately, with a Matérn field and autoregressive evolution, by integrated nested Laplace approximation. In weekly air-quality data from 288 U.S. sites, it recovers the seasonal change of sign between ozone and nitrogen dioxide. In German surveillance data on seven diseases, the district-level links stay positive and stable through the COVID-19 pandemic.
- Abstract(参考訳): 多くの研究は、モニタリングステーションにおける汚染物質濃度や、地域ごとの感染症のケース数など、同じ場所で同じ期間に複数の変数を記録している。
中心的な問題は変数と時間的変化の間の依存性に関するものである。
我々は,このようなデータに対する動的ビジュアルマテラン・ウィトル (DBMW) プロセスを開発した。
各変数は自己回帰によって進化する空間場を持つ。
変数上のグラフは、フィールドの時間的革新を結合する。
そのリンクは時間とともに現れて消滅し、リンクは符号を変えるかもしれない。
サイト上のグラフラプラシアンは空間構造を与え、正準指数族は体をガウス的、数的、あるいは二項的応答にリンクする。
すべての点、変数、周期上の潜在体の合同分布は、グラフラプラシアンの固有モデムを分解し、その正規化定数はグラフと力学の自由である。
場が与えられたとき、時間変化の符号付きグラフの後方は、前方逆転によって正確である。
推定器には3つのステップがある: グラフのないフィット(英語版)。
シミュレーションでは、DBMWはグラフィカルラッソ、時間変化のグラフィカルラッソ、ポアソン対数正規ネットワークよりも高い平均精度でグラフを復元し、ネストしたラプラス近似を用いて、各変数に個別に適合する標準時空間モデルよりも保存されていないデータを予測する。
米国の288か所の毎週の大気質のデータでは、オゾンと二酸化窒素の季節変化が回復している。
ドイツの7つの病気に関する監視データでは、地域レベルのリンクは新型コロナウイルス(COVID-19)のパンデミックを通じて肯定的かつ安定している。
関連論文リスト
- From Local Recovery to Unified Generation: Discovering Triple Set in Knowledge Graphs via Observation-Anchored Latent Diffusion [66.12201404491223]
トリプルセット予測 (TSP) は、孤立リンクの代わりにトリプルセットを予測することで、知識グラフの欠落したトリプルを復元することである。
本稿では, TSP のための新しい遅延生成フレームワークである LatentDiff を提案する。
論文 参考訳(メタデータ) (2026-10-29T00:57:38Z) - Graph-dependent shrinkage priors for Bayesian trend filtering [3.6402322280021626]
古典的なトレンドフィルタリングは、トレンドを推定するグラフのみを組み込んでいます。
これらの制限を(グラフ)依存データのための包括的なフレームワークで解決する。
本研究では,2020年のCOVID-19(COVID-19)失業ショックにおいて,米国大陸の各郡における地域失業データの時間的モデリングと予測に本手法を適用した。
論文 参考訳(メタデータ) (2026-08-24T20:07:01Z) - Learning Time-Varying Graph Signals via Koopman [17.357706885280695]
時間変動グラフデータを扱うために,Koopman Autoencoder (KAE) に基づくフレームワークを提案する。
進化するグラフ構造をキャプチャするために、グラフデータをまずグラフ埋め込みを通じてベクトル時系列に変換する。
この潜在空間において、KAEはグラフ特徴の時間的進化を規定する基礎となる非線形力学を学ぶために適用される。
論文 参考訳(メタデータ) (2025-11-09T18:33:39Z) - Critical Dynamics of the Anderson Transition on Small-World Graphs [25.98643403956035]
本研究では,Small-Worldグラフ上に一元的アンダーソンモデルを構築し,長い時間と大きなウェーブ・パケット・ダイナミクスを特徴付ける。
臨界状態における対数的に遅い非エルゴード力学を明らかにし、最近のランダム行列予測を確認した。
この結果は,MBLの力学特性を明らかにするために利用することができ,将来の量子シミュレータによる実験を導くことができる。
論文 参考訳(メタデータ) (2025-02-24T06:32:05Z) - SpaceTime: Causal Discovery from Non-Stationary Time Series [34.39247638413985]
因果関係を理解することは困難であり、時間や環境によって因果関係を変えることでしばしば複雑になる。
時系列から因果グラフを発見する既存の方法は、定常性を仮定するか、時間的および空間的な分布の変化を許さないか、同じ因果関係を持つ位置を知らないかのいずれかである。
本研究では,非定常マルチコンテキスト設定における因果グラフ発見の3つのタスクを統一する。
本研究では,異なる漁獲量で測定された河川流出や生態系間の生物圏・大気相互作用など,実世界の現象に関する知見を提供する。
論文 参考訳(メタデータ) (2025-01-17T15:00:20Z) - Advancing Graph Generation through Beta Diffusion [49.49740940068255]
Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。
本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
論文 参考訳(メタデータ) (2024-06-13T17:42:57Z) - Graphical estimation of multivariate count time series [0.0]
このアルゴリズムは、ムンバイ大都市各区のデング病の計測値に適用される。
病状数は比較的少ないものの, 特別な病棟がデング熱の源泉として広がることが観察された。
論文 参考訳(メタデータ) (2023-02-17T10:54:13Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳(メタデータ) (2022-06-28T08:11:12Z) - 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) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z)
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。