GraphTimeSeries

• 论文基本信息
• 背景
• 提出的方法
• 实验

论文基本信息

• 2021 | ICLR | Discrete Graph Structure Learning for Forecasting Multiple Time Series | Chao Shang et al.

背景

• 时间序列预测是统计学、经济学和计算机科学中广泛研究的课题。对多元multivariate时间序列中变量之间的相关性correlation和因果关系causation的探讨显示了提高时间序列模型性能的希望。当使用深度神经网络作为预测模型时，我们假设利用多个(多元)时间序列之间的成对pairwise信息也可以改善它们的预测。如果已知一个显式的图结构，则图神经网络(GNNs)已被证明是开发该结构的有力工具

提出的方法

• 如果图未知，我们提出用GNN同时学习结构。我们将问题转化为通过优化图分布上的平均性能来学习概率图模型。通过神经网络对分布进行参数化，使得离散图可以通过重参数化reparameterization进行可微采样

实验

• 实验结果表明，提出的方法比最近提出的用于图结构学习的双层bilevel学习方法更简单、更有效、性能更好，同时也比一系列预测模型，如基于深度或非深度学习以及基于图或非图的各种预测模型更好

标签：预测,提出,模型,GraphTimeSeries,学习,神经网络,序列
来源： https://www.cnblogs.com/yao1996/p/14439433.html