ICLRFeb, 2024

基于图的稀疏和部分多变量观测的虚拟传感

PDF
TL;DR通过利用虚拟传感技术，结合时空测量，建立一个基于图的深度学习框架 GgNet，通过学习变量和位置之间的依赖关系以及利用相关变量来插值，从而获得比现有技术更高的重建准确性。
virtual sensing techniquesspatio-temporal measurementscovariatesgraph-based methodologyggnet
发现论文，激发创造
  • 学习从有限观测的时空图中重建缺失数据

    该论文提出了一种基于注意力机制的体系结构，可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性，达到填充（imputation）缺失值的目的。

    May, 2022

  • 用图神经网络连接点：多元时间序列预测

    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

  • 基于图神经网络和结构化状态空间模型的多元信号时空建模

    提出了一种基于图的神经网络模型 GraphS4mer，用于对多变量信号进行时空建模，通过学习动态演化的图结构来捕捉数据中的空间和时间相关性，并在三个不同的任务中测试，发现相较于其它模型，GraphS4mer 有着更优的性能表现。

    Nov, 2022

  • 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

  • 基于图视角稀疏感知的全身动作重建

    从稀疏传感器数据中估计 3D 全身姿势是增强现实和虚拟现实中用于重建真实人体动作的关键技术之一。本文提出了一种基于 Body Pose Graph (BPG) 的新型全身动作重建框架，通过将人体表示为图形缺失节点预测问题来解决稀疏传感器信号到全身动作的转换挑战，在利用时间和空间信息处理了可识别关节点的特征后，通过图神经网络进一步改进 BPG 节点特征，实现了领先于其他基准方法的最先进性能。

    Jan, 2024

  • 层次联合图学习与多变量时间序列预测

    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

  • 基于图的压缩感知

    本研究主要关注于对于图中罕见边特性的稀疏向量信号进行压缩感知，通过纵向联通路径下的加性测量可以以 O (k log n) 的时间复杂度实现对于 k - 稀疏链接向量的恢复，并且借助 L1 正则化可以有效地推断在图中进行 O (k log n) 路径测量的 k - 稀疏向量。

    Aug, 2010

  • 基于图的缺失数据时空降采样预测

    通过分层时空下采样，利用可解释的注意机制结合观测和缺失数据模式，我们的方法在不同的缺失数据分布以及连续缺失数据块存在的情况下，在合成和实际基准测试中优于最先进的方法。

    Feb, 2024

  • 利用近邻信息的稀疏内稀疏高斯过程

    通过引入一种新的层级先验，实现了对诱导变量集合的稀疏约束，使得高斯过程法在通过基于小批量学习实现超大规模推断时具备更好的效率。

    Nov, 2020

  • 稀疏多变量回归与条件图模型的联合估计

    本文提出了一种高维多元回归模型，通过惩罚条件对每个响应变量对其他变量的依赖结构进行建模，以构造稀疏的多元回归系数矩阵估计，同时估计稀疏的逆协方差矩阵。该方法能够同时进行多元回归和协方差矩阵的估计，并在一个假设条件下得到渐近选择一致性与正态性，其有效性在多个模拟实验和对 Glioblastoma multiforme 的应用中得到验证。

    Jun, 2013