Sparse Graph Learning from Spatiotemporal Time Series

要約

時空間時系列分析のためのグラフ ニューラル ネットワークの優れた成果は、関係制約がニューラル予測アーキテクチャに効果的な帰納的バイアスを導入することを示しています。
しかし、多くの場合、基礎となるデータ生成プロセスを特徴付けるリレーショナル情報は利用できず、実務者は、後続の処理段階でどのリレーショナル グラフを使用するかをデータから推測するという問題を残されます。
私たちは、タスクにおけるエンドツーエンドのパフォーマンスを最大化しながら、グラフ上の分布として関係依存関係を学習する、斬新で原理的でありながら実用的な確率的スコアベースの方法を提案します。
提案されたグラフ学習フレームワークは、モンテカルロ スコアベースの勾配推定のための統合分散削減手法に基づいており、理論的に根拠があり、示したように実際に効果的です。
この論文では、時系列予測問題に焦点を当て、勾配推定器をグラフ学習問題に合わせて調整することで、学習されたグラフとそのスパース性を制御しながら最先端のパフォーマンスを達成できることを示します。
計算のスケーラビリティ。
提案された方法の有効性を合成ベンチマークと現実世界のベンチマークで経験的に評価し、提案されたソリューションがスタンドアロンのグラフ識別手順としてだけでなく、エンドツーエンドの予測アーキテクチャのグラフ学習コンポーネントとしても使用できることを示します。

要約(オリジナル)

Outstanding achievements of graph neural networks for spatiotemporal time series analysis show that relational constraints introduce an effective inductive bias into neural forecasting architectures. Often, however, the relational information characterizing the underlying data-generating process is unavailable and the practitioner is left with the problem of inferring from data which relational graph to use in the subsequent processing stages. We propose novel, principled – yet practical – probabilistic score-based methods that learn the relational dependencies as distributions over graphs while maximizing end-to-end the performance at task. The proposed graph learning framework is based on consolidated variance reduction techniques for Monte Carlo score-based gradient estimation, is theoretically grounded, and, as we show, effective in practice. In this paper, we focus on the time series forecasting problem and show that, by tailoring the gradient estimators to the graph learning problem, we are able to achieve state-of-the-art performance while controlling the sparsity of the learned graph and the computational scalability. We empirically assess the effectiveness of the proposed method on synthetic and real-world benchmarks, showing that the proposed solution can be used as a stand-alone graph identification procedure as well as a graph learning component of an end-to-end forecasting architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google