基于持久同调的图谱集成用于时间序列回归
机器学习
2025-03-20 v2
摘要
时空图神经网络 (STGNN) 在时间序列应用中的有效性往往受到其对固定人工构建输入图结构的依赖限制。受拓扑数据分析 (TDA) 范式的启发——其中真实世界数据具有多尺度模式——我们构造了多个使用持久同调滤波 (Persistent Homology Filtration) 构建的图，该方法是描述数据点多尺度结构属性的数学框架。然后，我们将构造的图作为输入用于创建图神经网络的集成。该集成通过注意力机制对单个学习者的信号进行聚合，从而系统地编码数据固有的多尺度结构。在地震活动预测和交通预测（PEMS-BAY、METR-LA）上的四个真实世界实验表明，我们的方法在持续优于单图基线的同时提供了可解释的洞察。
引用
@article{arxiv.2503.14240,
title = {Persistent Homology-induced Graph Ensembles for Time Series Regressions},
author = {Viet The Nguyen and Duy Anh Pham and An Thai Le and Jans Peter and Gunther Gust},
journal= {arXiv preprint arXiv:2503.14240},
year = {2025}
}