Time-varying Signals Recovery via Graph Neural Networks

要約

時変グラフ信号の回復は、センサー ネットワークおよび時系列の予測における多数のアプリケーションの基本的な問題です。
これらの信号の時空間情報を効果的にキャプチャすることは、ダウンストリーム タスクにとって不可欠です。
以前の研究では、そのようなグラフ信号の時間差の滑らかさを最初の仮定として使用していました。
それにもかかわらず、この滑らかさの仮定は、事前確率が成り立たない場合、対応するアプリケーションのパフォーマンスの低下につながる可能性があります。
この作業では、学習モジュールを含めることで、この仮説の要件を緩和します。
時変グラフ信号を回復するための時間グラフ ニューラル ネットワーク (TimeGNN) を提案します。
私たちのアルゴリズムは、平均二乗誤差関数と Sobolev 平滑化演算子で構成される特殊な損失を伴うエンコーダー デコーダー アーキテクチャを使用します。

要約(オリジナル)

The recovery of time-varying graph signals is a fundamental problem with numerous applications in sensor networks and forecasting in time series. Effectively capturing the spatio-temporal information in these signals is essential for the downstream tasks. Previous studies have used the smoothness of the temporal differences of such graph signals as an initial assumption. Nevertheless, this smoothness assumption could result in a degradation of performance in the corresponding application when the prior does not hold. In this work, we relax the requirement of this hypothesis by including a learning module. We propose a Time Graph Neural Network (TimeGNN) for the recovery of time-varying graph signals. Our algorithm uses an encoder-decoder architecture with a specialized loss composed of a mean squared error function and a Sobolev smoothness operator.TimeGNN shows competitive performance against previous methods in real datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google