Asynchronous Graph Generators

要約

我々は、動的グラフ上のノードとして観測をモデル化し、トランスダクティブノード生成によってデータ代入を実行できる、マルチチャネル時系列用の新しいグラフニューラルネットワークアーキテクチャである非同期グラフジェネレータ（AGG）を紹介します。
反復的なコンポーネントや時間的規則性に関する仮定がまったくない AGG は、学習可能な埋め込みを介して測定値、タイムスタンプ、メタデータをノード内で直接表現し、注目を活用して対象の変数間の表現的な関係を学習します。
このようにして、提案されたアーキテクチャは、目に見えないタイムスタンプとメタデータに基づいて条件付けできるセンサー測定値の因果関係のグラフ表現を暗黙的に学習し、学習したグラフの拡張によって新しい測定値を予測します。
提案された AGG は概念的にも経験的にも以前の研究と比較され、AGG のパフォーマンスに対するデータ拡張の影響についても簡単に説明されています。
私たちの実験により、AGG が北京大気質、PhysioNet Challenge 2012、UCI ローカリゼーションといったベンチマーク データセットの時系列データの代入、分類、予測において最先端の結果を達成したことが明らかになりました。

要約(オリジナル)

We introduce the asynchronous graph generator (AGG), a novel graph neural network architecture for multi-channel time series which models observations as nodes on a dynamic graph and can thus perform data imputation by transductive node generation. Completely free from recurrent components or assumptions about temporal regularity, AGG represents measurements, timestamps and metadata directly in the nodes via learnable embeddings, to then leverage attention to learn expressive relationships across the variables of interest. This way, the proposed architecture implicitly learns a causal graph representation of sensor measurements which can be conditioned on unseen timestamps and metadata to predict new measurements by an expansion of the learnt graph. The proposed AGG is compared both conceptually and empirically to previous work, and the impact of data augmentation on the performance of AGG is also briefly discussed. Our experiments reveal that AGG achieved state-of-the-art results in time series data imputation, classification and prediction for the benchmark datasets Beijing Air Quality, PhysioNet Challenge 2012 and UCI localisation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google