Core Concepts
ドメイン微分方程式をグラフ畳み込みネットワークに組み込むことで、訓練データと検証データの分布の違いに対してロバストな予測モデルを構築できる。
Abstract
本論文では、訓練データと検証データの分布が異なる状況でも頑健な時系列予測を行うため、ドメイン微分方程式をグラフ畳み込みネットワーク(GCN)に組み込む手法を提案している。
具体的には以下の3つのステップで実現する:
ドメイン固有のグラフを定義する。グラフの各頂点は時系列データに対応し、辺は隣接する頂点間の関係を表す。
ドメイン微分方程式に基づいて特徴量エンコーディング関数を構築する。微分方程式の即時的な動力学を表す関数Fと、過去の時系列パターンの影響を表す関数Gを定義する。
ドメイン微分方程式に基づいた予測関数を定義する。Fのみを学習し、Gは事前に定義された関数を使う。
理論的には、このようにドメイン微分方程式を組み込むことで、訓練データと検証データの分布の違いに対するロバスト性が向上することを示した。
実験では、交通速度予測とインフルエンザ様疾患予測の2つのタスクで提案手法の有効性を確認した。訓練データと検証データの分布が大きく異なる状況でも、提案手法は既存手法に比べて高い予測精度を維持できることを示した。
Stats
交通速度予測:
交通速度は道路セグメントの拡散と反応の影響を受ける
拡散係数ρ(i,j)と反応係数σ(i,j)は道路セグメントの向きによって異なる
インフルエンザ様疾患予測:
感染者数の時間変化は感染率βと回復率γによって決まる
地域間の人の移動はパラメータϕ(i,j)で表される
Quotes
交通速度予測:
dxi(t)/dt = Σj∈Nd ρ(i,j)(xj(t) - xi(t)) + bd
i + tanh(Σj∈Nr σ(i,j)(xj(t) - xi(t)) + br
i)
インフルエンザ様疾患予測:
dSi(t)/dt = -Σj,k βjϕ(i,j)Si(t)ϕ(k,j)Ik(t)/Np
j
dIi(t)/dt = Σj,k βjϕ(i,j)Si(t)ϕ(k,j)Ik(t)/Np
j - γIi
dRi(t)/dt = γIi(t)