ترجمه فارسی مقاله شبکه های عصبی کوواریانس مکانی-زمانی

چکیده

Modeling spatiotemporal interactions in multivariate time series is key to their effective processing, but challenging because of their irregular and often unknown structure. Statistical properties of the data provide useful biases to model interdependencies and are leveraged by correlation and covariance-based networks as well as by processing pipelines relying on principal component analysis (PCA). However, PCA and its temporal extensions suffer instabilities in the covariance eigenvectors when the corresponding eigenvalues are close to each other, making their application to dynamic and streaming data settings challenging. To address these issues, we exploit the analogy between PCA and graph convolutional filters to introduce the SpatioTemporal coVariance Neural Network (STVNN), a relational learning model that operates on the sample covariance matrix of the time series and leverages joint spatiotemporal convolutions to model the data. To account for the streaming and non-stationary setting, we consider an online update of the parameters and sample covariance matrix. We prove the STVNN is stable to the uncertainties introduced by these online estimations, thus improving over temporal PCA-based methods. Experimental results corroborate our theoretical findings and show that STVNN is competitive for multivariate time series processing, it adapts to changes in the data distribution, and it is orders of magnitude more stable than online temporal PCA.

چکیده به فارسی (ترجمه ماشینی)

مدل سازی فعل و انفعالات مکانی مکانی در سری زمانی چند متغیره برای پردازش مؤثر آنها مهم است ، اما به دلیل ساختار نامنظم و غالباً ناشناخته آنها چالش برانگیز است.خصوصیات آماری داده ها تعصبات مفیدی را برای مدل سازی وابستگی های متقابل فراهم می کند و توسط شبکه های همبستگی و مبتنی بر کواریانس و همچنین با پردازش خطوط لوله با تکیه بر تجزیه و تحلیل مؤلفه اصلی (PCA) اعمال می شود.با این حال ، PCA و پسوندهای موقتی آن در مواردی که مقادیر ویژه مربوطه به یکدیگر نزدیک هستند ، ناپایداری ها را در بخش های ویژه کواریانس متحمل می شوند و کاربرد آنها را برای تنظیمات داده های پویا و پخش کننده به چالش می کشد.برای پرداختن به این موضوعات ، ما از قیاس بین PCA و فیلترهای حلقوی نمودار برای معرفی شبکه عصبی کواریانس مکانی (STVNN) سوء استفاده می کنیم ، یک مدل یادگیری رابطه ای که بر روی ماتریس کواریانس نمونه از سری زمانی کار می کند و از همبستگی های فضایی مکانی مشترک استفاده می کند تا داده ها را مدل کند.بشربرای تنظیم تنظیمات جریان و غیر ثابت ، ما یک به روزرسانی آنلاین از پارامترها و ماتریس کواریانس نمونه را در نظر می گیریم.ما ثابت می کنیم که STVNN برای عدم قطعیت های معرفی شده توسط این برآوردهای آنلاین پایدار است ، بنابراین روشهای مبتنی بر PCA را بهبود می بخشد.نتایج تجربی یافته های نظری ما را تأیید می کند و نشان می دهد که STVNN برای پردازش سری زمانی چند متغیره رقابتی است ، با تغییرات در توزیع داده ها سازگار است و این سفارشات از نظر بزرگی نسبت به PCA موقتی آنلاین است.