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
这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN(DeepHGNN)框架,该框架通过创新的基于图的层次插值和端到端的协调机制,在多个层次上确保了预测的准确性和一致性,同时在层次之间共享信号,以解决层次预测中的一个关键挑战。
May, 2024
图形化深度学习方法在处理相关时间序列集合方面已成为流行工具,提出了一种全面的方法论框架,用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法,同时介绍领域概述、设计指南和未来研究方向的综述。
Oct, 2023
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
本研究提出了一种可扩展的分层预测方法,利用基础时间序列的系数对分层约束进行建模,并使用一个随时间变化的线性自回归模型,同时考虑了相对时间序列预测的协调约束,实验证明该方法相较于现有分层模型具有显著的预测性能提升。
Jun, 2021
我们专注于从贝叶斯角度进行预测调和,提出了一种方法来预测调和,并定义了具有线性结构的普通情况 - 线性高斯调和。我们在合成和真实数据集上评估了这些方法,并将它们与该领域的其他工作进行了比较。
Aug, 2023
一种支持多元时间序列预测的灵活模型,可以基于完全联通或双部分图推断时间序列之间的关系,提供高精度或高效率预测并降低时间和内存复杂度。在多个数据集中表现优于之前的图推断方法。
Mar, 2022
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
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
该研究提出了一种面向多变量时间序列数据的图神经网络框架,采用图学习模块提取自动生成的变量之间的关系,同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性,而这些模块被联合学习在一个端对端框架中。实验结果表明,该模型的性能在 3 个基准数据集上优于现有最先进方法,并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。
May, 2020