时变图信号分解
我们提出了一种方法,将多变量信号表示为图中的节点,通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系,并建议使用分层信号分解来捕捉多个空间依赖关系,实验证明我们的模型在长期预测任务中优于现有模型,平均均方误差 (MSE) 减少了 23%。
Nov, 2023
这篇论文介绍了一种基于传感器的人体活动识别方法,通过多通道时间序列分解网络(MTSDNet)进行信号分解,学习原始信号的低秩表示,提高模型的域外泛化能力,并通过层注意机制聚合分解得到的组件,来实现最终的分类结果。通过对多个公共数据集的广泛评估,证明了该方法在预测准确性和稳定性方面的优势,具有解释性和分层特性。
Mar, 2024
我们提出了一个多因素时空预测任务,预测不同因素下局部时空数据的演变,并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架,我们在这个任务中做出了两个贡献:提出了一种称为分解预测策略的有效理论解决方案,并从信息熵理论的角度证明了其有效性。在此基础上,我们实例化了一个新颖的模型无关框架,名为时空图分解学习(STGDL),用于多因素时空预测。框架包括两个主要组件:自动图分解模块,将时空数据中固有的原始图结构分解为对应于不同因素的子图,以及分解学习网络,分别学习每个子图上的局部时空数据,并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验,即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差(最多达到 35.36% 的减少)。此外,一项案例研究揭示了我们框架的可解释性潜力。
Oct, 2023
介绍了一种基于张量分解的时间知识图谱补全方法 (Time-LowFER),并提出了一种模型无关的、更广义的时间特征表示方法,实验表明该方法的表现与当前先进的语义匹配模型相当或更好。
Apr, 2022
该论文旨在通过使用新的解缩深度生成模型,将时空图分解成空间,时间和图形因素以及解释它们之间相互作用的因素,并使用情报瓶颈理论来最大化这些因素之间的解缠,通过定性和定量实验,在合成和现实世界数据集上展示了该模型优于现有技术的表现。
Feb, 2022
提出了一种基于拓扑深度学习(TDL)的新方法,用于在图上压缩信号;该方法通过两个步骤实现,首先通过聚类将 N 个数据点划分为 K 个集合,然后通过拓扑启发的消息传递在这些多元素集合中获得信号的压缩表示;结果表明,该框架在压缩两个真实互联网服务提供商网络数据集中的时间链接信号方面比标准 GNN 和前馈架构的重建误差提高了 30%至 90%,表明它可以更好地捕捉和利用整个基于图的网络结构的时空相关性。
Aug, 2023
我们提出了一种多字典张量分解(MDTD)框架,利用编码字典中关于张量模式的先验结构信息来获得稀疏编码的张量因子。通过实验证明,MDTD 相比无字典方法学习到更简洁的模型,且在重构质量、缺失值插补质量和张量秩的估计等方面均具有明显的改进,而且不会增加运行时间。
Sep, 2023
基于张量的方法可以对从社交网络到健康数据和电影观看模式等各种领域中涌现出的大规模、多层面、动态的图数据进行挖掘,包括发现静态和动态图数据中的凝聚社区和模式。
Oct, 2022
本文提出了一种适用于更广泛类型的图信号的字典学习算法,该算法通过将学习到的字典原子强制设置为图小波函数的稀疏组合,以及添加直接的图约束来提高特征和多样性领域的平滑度,从而实现了对感兴趣的数据进行调整,同时遵循底层图结构和具有所需的多尺度属性。在合成和真实的不同类型数据集上的实验结果表明,该算法即使在高维数据中也能有效地处理图信号。
Jun, 2018
利用 TSDFNet 神经网络的自分解和注意力特征融合机制来实现对时间序列数据的预测,同时解决了传统上严重依赖领域知识的特征选择问题以及深度学习模型的可解释性问题。
Oct, 2022