融合语义知识的规则化图结构学习用于多变量时间序列预测
机器学习
2022-10-14 v1 计算机视觉与模式识别
摘要
多变量时间序列预测是许多应用中的关键任务，图时间序列网络因能同时捕捉时空相关性而被广泛研究。然而，大多数现有工作更侧重于利用显式先验图结构进行学习，而忽略了隐式图结构中潜在的信息，导致结构建模不完整。一些近期工作尝试直接学习内在或隐式图结构，但缺乏将显式先验结构与隐式结构结合的方法。在本文中，我们提出规则化图结构学习（RGSL）模型，将显式先验结构与隐式结构共同纳入，并随图结构一起学习预测深度网络。RGSL 包含两个创新模块。首先，我们通过节点嵌入导出隐式稠密相似度矩阵，并基于 Gumbel Softmax 技巧使用规则化图生成（RGG）学习稀疏图结构。其次，我们提出拉普拉斯矩阵混合模块（LM3）将显式图与隐式图融合。我们在三个真实数据集上进行了实验。结果表明，所提出的 RGSL 模型以显著优势优于现有图预测算法，同时学习到有意义的图结构。我们的代码与模型已公开于 https://github.com/alipay/RGSL.git。
引用
@article{arxiv.2210.06126,
title = {Regularized Graph Structure Learning with Semantic Knowledge for Multi-variates Time-Series Forecasting},
author = {Hongyuan Yu and Ting Li and Weichen Yu and Jianguo Li and Yan Huang and Liang Wang and Alex Liu},
journal= {arXiv preprint arXiv:2210.06126},
year = {2022}
}
备注
to be published in IJCAI2022