论文阅读:Time2Graph+: Bridging Time Series and Graph Representation Learning via Multiple Attentions
Time2Graph+: Bridging Time Series and Graph Representation Learning via Multiple Attentions
Time2Graph+:通过多注意力连接时间序列和图表示学习
现状:基于shapelet的模型旨在提取具有代表性的子序列,并可以为下游任务提供解释性理解。
问题:对shapelet的提取忽略了时间因素,以及进化特征。
提出:一种连接时间序列表示学习与图建模的框架
时间感知:时间注意力机制
演进:引入将时间序列数据转换为 shapelet 进化图的关键思想,对 shapelet 进化模式进行建模
time2graph+:将每个时间序列数据转换为唯一的未加权 shapelet 图,并使用 GA T 自动捕获 shapelet 之间的相关性。
1 intro
当前研究的问题:
特征工程:需要足够的专家知识,并且不能跨不同的数据域泛化,
深度序列模型:于缺乏可解释性
shapelet:可解释的代表性子序列。
shapelet的动态性:
相同的 shapelet 出现在不同的时间片上可能会产生不同的影响。
shapelets 随时间演变的方式对于充分理解时间序列数据也至关重要。
shapelet的限制:
1.shapelet与segment的对应可能与事实不符(这不就推翻了shapelet作为segment的基本逻辑吗?)
2.shapelets 之间的一些弱转换可能会被放大,在边权归一化后可能会放大噪声连接
3.shapelet仅仅关注边权大的转换,但边权小的不一定是不正常,可能指向独特的转换模式。
我们不是为所有时间序列数据构建统一的 shapelet 演化图,而是首先将每个时间序列转换为唯一的未加权图(L3),因为不同的序列可能具有不同的演化模式,即图结构;然后应用图注意力机制来捕获 shapelet 之间的转换模式,通过分配可自然地解释为 shapelet 转换概率(L1 和 L2)的可学习动态边权重。
Time2Graph+ 模型首先学习时间感知 shapelets,并在每个月分配几个在某个阈值下接近相应段的模式。例如,我们为用红色框标记的子序列呈现分配的 shapelet #40,以及图 1a 底部的时间级注意力,其中深色区域表示与浅色区域相比,相应的时间步更重要.(夏冬比春秋的用电更有特点)然后 Time2Graph+ 旨在通过图对 shapelet 进化进行建模(图 1b,c):它为每个时间序列构建 shapelet 进化图,并通过应用图注意力机制捕获单个 shapelet 进化模式。图结构和边上的注意力分数揭示了 shapelet 进化模式,如图 1b 所示:图中有几个度数较大的居中顶点,top-2 是 shapelet-#34 和 #40(标记为带红色圆圈);这意味着对于老年人 #44,最典型的 shapelet 过渡模式是从或演变为这两个居中的 shapelet。此外,在专家领域知识的帮助下,可以从构建的图和时间级注意力中推断出额外的解释性见解,如图 1c 所示: shapelet #34 是一个陡峭的波动形状,后面是一个非常平坦的序列;它的时间级注意力矩阵强调陡峭的波动具有较大的注意力权重,这种形状在春季和秋季(尤其是在 3 月和 11 月)更具代表性。这可能是典型的空巢老人用电模式,在换季期间用电量不稳定,然后进入相对平稳的状态。
本文工作:
- 时间序列数据转换为 shapelet 图以对子序列动态进行建模的关键思想。
- 提出time2graph和time2graph+
- 实验及使用
2 relative work
传统的时间序列分类模型:从序列中提取有效的特征→训练分类器→没有明确的序列中的特征
基于DTW和传统嵌入技术的模型:将原始时间序列数据投影到特征向量空间中
……
图嵌入的三种逻辑:
邻接矩阵→每一行的隐藏特征向量
随机游走→结构信息→embedding(deep walk)
深度学习模型→ DNN 学习节点特征。
4.3 Time2Graph+
原本的方式:p=pvij*pvi+1k有缺陷
有偏:边缘权重只是对转移概率的估计
论文阅读:Time2Graph+: Bridging Time Series and Graph Representation Learning via Multiple Attentions相关推荐
- 《论文阅读》Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clou
留个笔记自用 Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clo ...
- [NLP论文阅读] Discourse-Based Objectives for Fast Unsupervised Sentence Representation Learning
论文原文:Discourse-Based Objectives for Fast Unsupervised Sentence Representation Learning 引言 这篇文章的想法很有意 ...
- 【论文阅读|深读】 GraphSAGE:Inductive Representation Learning on Large Graphs
目录 前言 简介 Abstract 1 Introduction 2 Related work 3 Proposed method: GraphSAGE 3.1 Embedding generatio ...
- 【论文阅读|深读】ANRL: Attributed Network Representation Learning via Deep Neural Networks
目录 前言 简介 Abstract 1 Introduction 2 Related Work 3 Proposed Model 3.1 Notations and Problem Formulati ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](7)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](7) Into the Weeds Other types of grap ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](6)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](6) GNN playground Some empirical GNN ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](5)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](5) Graph Neural Networks 图神经网络 Now th ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](4)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](4) The challenges of using graphs in ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](3)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](3) What types of problems have graph ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](2)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](2) Graphs and where to find them 图以及在 ...
最新文章
- 人工智能应用于建筑领域新前沿
- 堆栈的应用——用JavaScript描述数据结构
- 6、通过xpath获取网页数据
- 守护线程与非守护线程的区别
- 怎样把python源程序发给别人_如何把Python源码打包成EXE文件?以及bug
- 换手率与股价成交量 关系
- MemcacheQ 安装与使用
- Visual studio2010 编写dll 及 使用dll
- 大学四年毕业季我用Python写了一个论文降重工具(希望能帮助到学弟学妹)
- C语言中.和-的区别
- 1、vsftpd的简介
- 高通android q 通过backtrace,使用addr2ine工具,定位crash问题记录
- JAVA小游戏(国王和大臣)
- 1750套工装夹具检具治具机械设计机构solidworks模型3d课程图纸sw
- ROS2学习笔记13--编写一个简单的发布器和侦听器(C++)
- Html5小游戏 转微信小程序,白鹭H5游戏转微信小游戏问题集锦,你关心的都在这里...
- TLS 1.3科普——新特性与协议实现
- PHP API 接口文档生成 简单版本 基于一位大哥的代码改的
- 防疫中计算机的应用有哪些,计算机在人们生活中的应用,在我们的生活中,哪些与计算机的应用有关?...
- 计算机网络第一二章多选题,计算机网络概论第一章练习题
热门文章
- 解决VS2017安装一直卡在正在下载
- [origin ‘http://xxx.xxx.com:xxxx‘ has been blocked by CORS policy: The request client is not a secur
- swift plm物料管理模块中的变更管理介绍
- 有限元分析试题:ANSYS有限元分析中级培训考题及其答案解析(填空+选择+判断+解答)
- QTcpSocket服务器多线程
- js_ctype linux,linux – 解释export LANG,LC_CTYPE,LC_ALL的效果
- python 服务器后台运行
- mbedtls学习4.mbedtls_RAM/ROM优化指南
- wordpress 后台 文章管理列表 添加自定义栏
- Evernote推出实体笔记本Evernote Business Notebook,支持搜索手写笔记,用实体便签将笔记同步到Evernote上的相应分类