IJCAIOct, 2022

基于语义知识的多变量时间序列预测的规则化图结构学习

PDF
TL;DR本文提出了一种正则化图结构学习模型 (RGSL)，通过节点嵌入推导出隐式的密集相似矩阵，利用 Gumbel Softmax 技巧学习稀疏的图结构，然后使用 Laplacian Matrix Mixed-up Module (LM3) 将显式与隐式图结构融合。实验结果表明，RGSL 模型比现有图预测算法表现更出色，并同时学习有意义的图结构。
multivariate time-series forecastinggraph time-series networkstructure learningnode embeddinglaplacian matrix
发现论文，激发创造
  • 多元时间序列预测的平衡图结构学习

    本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting（BGSLF），该模型结合了图结构学习和预测，并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡，并在真实世界的四个数据集上进行了广泛的实验，取得了最新的性能表现。

    Jan, 2022

  • 多时间序列预测的离散图结构学习

    本文提出了一种学习概率图模型的方法，该方法通过优化图分布的平均性能来学习未知的图结构，并且通过神经网络参数化图分布，能够可微分地对离散图进行采样。实证评估表明，该方法比最近提出的双层学习方法以及基于深度学习或非深度学习，基于图形或非图形的预测模型更为简单，高效，性能更好。

    Jan, 2021

  • 学习时间感知图结构进行空间相关时间序列预测

    提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架，通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN 能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。

    Dec, 2023

  • 多元时间序列预测中发现图模型的稀疏性利用

    本文提出了一种分离式训练方法，利用 GraphLASSO 算法生成稀疏图结构，使用 Graph Convolutional Recurrent Network 模型进行多元时间序列预测，实验结果表明，该方法可以在保证模型性能的同时，生成稀疏，有意义且易于解释的图结构，并且训练时间减少了约 40%。

    Jun, 2023

  • 基于时间序列预测的时序图结构学习

    本研究提出了一种基于序列预测的 TGSL 方法来更好地学习下游任务的图结构，通过添加潜在的时间边、使用 Gumble-Top-K 来选择最接近上下文嵌入的候选边，以及提出若干候选采样策略，同时端到端联合学习图结构和 TGNs，实验结果表明 TGSL 可以显著提高 TGAT、GraphMixer 等热门 TGNs 的性能，且在时间图上优于其他对比学习方法。

    Jun, 2023

  • 时空序列中的稀疏图学习

    本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。

    May, 2022

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 带有特征和邻接矩阵对齐的强健图结构学习

    本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。

    Jul, 2023

  • 自监督图结构细化用于图神经网络

    本文提出了一种图结构学习方法 —— 图结构精炼方法 (GSR)，采用预训练 - 微调管道，通过多视角对比学习和概率估计相结合的方式，提高了图神经网络 (GNN) 的效能和扩展性。

    Nov, 2022

  • 多元时间序列预测的演化和多尺度图结构学习

    本研究提出了一种基于层级图结构和扩张卷积的时变序列的预测方法，该方法使用一系列的邻接矩阵来表示不断演化的变量之间的相关性，并通过一个统一的神经网络模型来捕捉它们之间的动态和多尺度的交互作用，实验表明该方法在单步和多步预测任务中均优于现有的方法。

    Jun, 2022