标签：预测 提出 模型 GraphTimeSeries 学习 神经网络 序列

• 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

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。