Temporal Graph Neural Networks for Irregular Data

要約

本稿では、グラフ構造の不規則に観測される時系列を予測するための時間グラフ ニューラル ネットワーク モデルを提案します。
TGNN4I モデルは、不規則な時間ステップとグラフの部分観測の両方を処理するように設計されています。
これは、Gated Recurrent Unit (GRU) の出力によって定義される線形常微分方程式 (ODE) に従って、各ノードに時間連続の潜在状態を導入することによって実現されます。
ODE には、指数関数的減衰と周期的ダイナミクスの組み合わせとして陽的な解があります。
GRU 状態更新と予測モデルの両方でグラフ ニューラル ネットワーク層を統合することにより、グラフ近傍での観測が考慮されます。
さらに、時間連続ダイナミクスにより、モデルは任意の時間ステップで予測を行うことができます。
これを活用し、さまざまな期間にわたる予測のためにモデルをトレーニングできるようにする損失関数を提案します。
シミュレートされたデータと交通および気候モデリングからの実世界のデータに関する実験は、不規則な観測を伴う設定でのグラフ構造と時間連続ダイナミクスの両方の有用性を検証します。

要約(オリジナル)

This paper proposes a temporal graph neural network model for forecasting of graph-structured irregularly observed time series. Our TGNN4I model is designed to handle both irregular time steps and partial observations of the graph. This is achieved by introducing a time-continuous latent state in each node, following a linear Ordinary Differential Equation (ODE) defined by the output of a Gated Recurrent Unit (GRU). The ODE has an explicit solution as a combination of exponential decay and periodic dynamics. Observations in the graph neighborhood are taken into account by integrating graph neural network layers in both the GRU state update and predictive model. The time-continuous dynamics additionally enable the model to make predictions at arbitrary time steps. We propose a loss function that leverages this and allows for training the model for forecasting over different time horizons. Experiments on simulated data and real-world data from traffic and climate modeling validate the usefulness of both the graph structure and time-continuous dynamics in settings with irregular observations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google