Graph Deep Learning for Time Series Forecasting

要約

グラフベースの深層学習手法は、相関性のある時系列のコレクションを処理するための一般的なツールとなっています。
従来の多変量予測手法とは異なり、ニューラル グラフ ベースの予測子は、時系列コレクションにわたる (おそらく動的) グラフ上で予測を条件付けすることにより、ペアごとの関係を利用します。
条件付けは、ニューラル予測アーキテクチャに対するアーキテクチャ上の帰納的バイアスの形をとることがあり、その結果、時空間グラフ ニューラル ネットワークと呼ばれる深層学習モデルのファミリーが形成されます。
このような関係帰納的バイアスにより、大規模な時系列コレクションに対するグローバル予測モデルのトレーニングが可能になると同時に、予測を全体的に局所化することができます。
セット内の各要素 (つまり、グラフ ノード) 間の局所的な相関関係 (つまり、グラフ エッジ) を考慮します。
実際、時系列予測のためのグラフ ニューラル ネットワークとディープ ラーニングにおける最近の理論的および実践的な進歩により、このような処理フレームワークの採用は魅力的かつタイムリーなものになっています。
しかし、文献にある研究のほとんどは、現代の深層学習の実践を利用して既存のニューラル アーキテクチャのバリエーションを提案することに焦点を当てており、基礎的および方法論的な側面は体系的な調査の対象になっていません。
このギャップを埋めるために、このホワイトペーパーは、予測問題を形式化し、グラフベースの予測モデルとそのパフォーマンスを評価する方法の設計原則を提供する包括的な方法論的フレームワークを紹介することを目的としています。
同時に、この分野の概要とともに、設計ガイドライン、推奨事項、ベスト プラクティスを提供するとともに、未解決の課題や将来の研究の方向性についての詳細な議論も提供します。

要約(オリジナル)

Graph-based deep learning methods have become popular tools to process collections of correlated time series. Differently from traditional multivariate forecasting methods, neural graph-based predictors take advantage of pairwise relationships by conditioning forecasts on a (possibly dynamic) graph spanning the time series collection. The conditioning can take the form of an architectural inductive bias on the neural forecasting architecture, resulting in a family of deep learning models called spatiotemporal graph neural networks. Such relational inductive biases enable the training of global forecasting models on large time-series collections, while at the same time localizing predictions w.r.t. each element in the set (i.e., graph nodes) by accounting for local correlations among them (i.e., graph edges). Indeed, recent theoretical and practical advances in graph neural networks and deep learning for time series forecasting make the adoption of such processing frameworks appealing and timely. However, most of the studies in the literature focus on proposing variations of existing neural architectures by taking advantage of modern deep learning practices, while foundational and methodological aspects have not been subject to systematic investigation. To fill the gap, this paper aims to introduce a comprehensive methodological framework that formalizes the forecasting problem and provides design principles for graph-based predictive models and methods to assess their performance. At the same time, together with an overview of the field, we provide design guidelines, recommendations, and best practices, as well as an in-depth discussion of open challenges and future research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google