Regularized Graph Structure Learning with Semantic Knowledge for Multi-variates Time-Series Forecast

最新推荐文章于 2024-06-09 09:53:00 发布

原创

最新推荐文章于 2024-06-09 09:53:00 发布 · 591 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #神经网络 #深度学习

该论文提出了正则化图结构学习(RGSL)模型，旨在解决多变量时间序列预测中显式和隐式图结构结合的问题。现有方法主要依赖于领域专家定义的固定图结构，而RGSL模型通过结合显式先验结构和从时间序列中学习到的隐式关系，构建更完整的图结构。通过GumbelSoftmax计算稀疏邻接矩阵，RGSL能够过滤无用边，提高预测性能并增强模型的可解释性。实验表明，RGSL在时间序列预测任务上表现出优越性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文题目：Regularized Graph Structure Learning with Semantic Knowledge for Multi-variates Time-Series Forecasting

论文来源：Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence (IJCAI-22)

论文代码：https: //github.com/alipay/RGSL.git

问题：利用时空图建模多变量时间序列的关系和相关性来提高时间序列预测结果，已经被应用在多变量时间序列预测。但现有的研究大多关注显式先验图结构的学习，即利用领域专家知识构建固定的图结构来描述多变量时间序列之间的关系图。由于专家难以捕捉到大规模时间序列中潜在的或长期依赖的隐式关联关系，无法挖掘隐式图结构的潜在信息，导致结构建模不完整。因此，如何定义准确的动态关系图成为时空图时间序列预测的关键。

一种思路是直接从时间序列模式中学习内在/隐式图结构，但这忽略了利用由领域专家知识定义的先验时间序列关系的可能性。因此，论文重点解决两个问题。一是如何有效地将显式时间序列关系与隐式关联以端到端的方式结合起来;二是如何将学习到的图正则化为稀疏图，过滤掉多余的无用边，从而提高整体性能，对实际应用更有价值。

贡献：论文提出正则化图结构学习(正则化图结构学习，RGSL)模型，将显式先验结构和隐式结构结合在一起，并根据图结构学习预测深度网络。

符号表示：

训练数据： $X_{0:T}=\left\{ X_0,X_1,\cdots,X_T\right \}$ ,其中， $X_t=\left\{X_t^0,X_t^1,\cdots,X_t^N \right\}$ 表示 $t$ 时刻的 $N$ 维向量。<