Z-GCNETs：将时间之字形结构引入图卷积网络用于时间序列预测
机器学习
2021-05-11 v1 机器学习
摘要
近来，开发一类将显式时间维度作为学习与表示机制基本构建块的新深度学习（DL）架构引起关注。相应地，许多近期结果表明，观测数据的拓扑描述子——在不同尺度上编码数据集在拓扑空间中形状的信息，即数据的持续同调——可能包含重要的互补信息，可改善 DL 的性能与鲁棒性。作为这两个新兴思想的融合，我们提出以数据最显著的时间条件拓扑信息增强 DL 架构，并将之字形持续同调概念引入时间感知图卷积网络（GCNs）。之字形持续同调提供了一个系统且数学严谨的框架，用以追踪随时间显现的观测数据最重要的拓扑特征。为将提取的时间条件拓扑描述子整合进 DL，我们开发了一种新的拓扑摘要——之字形持续图像，并推导了其理论稳定性保证。我们将带有时间感知之字形拓扑层（Z-GCNETs）的新 GCNs 应用于交通预测与以太坊区块链价格预测进行验证。我们的结果表明，Z-GCNET 在 4 个时间序列数据集上优于 13 种最先进的方法。
引用
@article{arxiv.2105.04100,
title = {Z-GCNETs: Time Zigzags at Graph Convolutional Networks for Time Series Forecasting},
author = {Yuzhou Chen and Ignacio Segovia-Dominguez and Yulia R. Gel},
journal= {arXiv preprint arXiv:2105.04100},
year = {2021}
}
备注
Accepted at the International Conference on Machine Learning (ICML) 2021