Benchmarking Graph Representations and Graph Neural Networks for Multivariate Time Series Classification

要約

多変量時系列分類 (MTSC) は、複雑な時系列データの分析を可能にするため、医療から金融に至るまで、さまざまな現実世界のアプリケーションの基礎として機能します。
通常、MTS の変数間の関係には重要な手がかりが含まれているため、さまざまな MTS グラフ表現の学習戦略だけでなく、グラフ トポロジとエッジが変数 (チャネル) 間の関係を明示的に表現できるため、多数のグラフベースの MTSC アプローチが提案されています。
しかし、さまざまなグラフ ニューラル ネットワーク (GNN) も研究されています。
このような進歩にもかかわらず、さまざまな MTSC タスクの適用における既存の広く使用されているグラフ表現学習戦略/GNN 分類器のパフォーマンスを公平にベンチマークし、調査する包括的な研究はありません。
このペーパーでは、広く使用されている 3 つのノード特徴定義戦略、4 つのエッジ特徴学習戦略、および 5 つの GNN アーキテクチャの有効性を体系的に調査する最初のベンチマークを紹介します。これにより、グラフベースの MTSC の 60 の異なるバリアントが生成されます。
これらのバリアントは、標準化されたデータ パイプラインと、広く使用されている 26 個のサスペンサー MTSC データセットに対するトレーニング/検証/テスト戦略を使用して開発および評価されています。
私たちの実験では、ノードの特徴が MTSC のパフォーマンスに大きく影響することが強調され、エッジ特徴の視覚化は、適応エッジ学習が他のエッジ特徴学習方法よりも優れている理由を示しています。
提案されたベンチマークのコードは、\url{https://github.com/CVI-yangwn/Benchmark-GNN-for-Multivariate-Time-Series-Classification} で公開されています。

要約(オリジナル)

Multivariate Time Series Classification (MTSC) enables the analysis if complex temporal data, and thus serves as a cornerstone in various real-world applications, ranging from healthcare to finance. Since the relationship among variables in MTS usually contain crucial cues, a large number of graph-based MTSC approaches have been proposed, as the graph topology and edges can explicitly represent relationships among variables (channels), where not only various MTS graph representation learning strategies but also different Graph Neural Networks (GNNs) have been explored. Despite such progresses, there is no comprehensive study that fairly benchmarks and investigates the performances of existing widely-used graph representation learning strategies/GNN classifiers in the application of different MTSC tasks. In this paper, we present the first benchmark which systematically investigates the effectiveness of the widely-used three node feature definition strategies, four edge feature learning strategies and five GNN architecture, resulting in 60 different variants for graph-based MTSC. These variants are developed and evaluated with a standardized data pipeline and training/validation/testing strategy on 26 widely-used suspensor MTSC datasets. Our experiments highlight that node features significantly influence MTSC performance, while the visualization of edge features illustrates why adaptive edge learning outperforms other edge feature learning methods. The code of the proposed benchmark is publicly available at \url{https://github.com/CVI-yangwn/Benchmark-GNN-for-Multivariate-Time-Series-Classification}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google