動的グラフニューラルODEによる多変量時系列予測【JST・京大機械翻訳】

Jin Ming; Zheng Yu; Li Yuan-Fang; Chen Siheng; Yang Bin; Pan Shirui

プレプリント

J-GLOBAL ID：202202219167599563 整理番号：22P0291020

動的グラフニューラルODEによる多変量時系列予測【JST・京大機械翻訳】

Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年02月16日プレプリントサーバーでの情報更新日： 2022年11月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

多変量時系列予測は,エネルギー消費や交通予測などの実世界アプリケーションにおいて,長い間大きな注目を集めている。最近の方法は良い予測能力を示したが,それらは3つの基本的限界を持っている。(i)離散ニューラルアーキテクチャ:個別パラメータ化した空間と時間ブロックを,豊富な根底にあるパターンに符号化するために,不連続な潜在状態軌跡とより高い予測数値誤差を導く。(ii)高い計算量:離散手法は専用設計と冗長パラメータを持つモデルを複雑にし,より高い計算とメモリオーバヘッドをもたらす。(iii)グラフ事前の信頼度:あらかじめ定義された静的グラフ構造への依存は,実世界アプリケーションにおける有効性と実用性を制限する。本論文では,動的グラフニューラル常微分方程式(MTGODE)を用いて,多変量時系列を予測するための連続モデルを提案して,上記のすべての限界に対処した。具体的には,最初に,時間発展ノード特徴および未知のグラフ構造を有する動的グラフに多変量時系列を抽象化した。次に,欠損グラフトポロジーを補完し,空間および時間メッセージ通過を統一するために,ニューラルODEを設計し,解決し,安定かつ正確な潜在空間時間動力学を特徴付けるために,より深いグラフ伝搬および微細粒時間情報集約を可能にした。著者らの実験は,5つの時系列ベンチマークデータセットに関する種々の展望からMTGODEの優位性を実証した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

ロボットの運動・制御 , ニューロコンピュータ , 脳・神経系モデル

前のページに戻る