梦家博客

文章系列： ICDE 2021丨时间序列相关研究论文汇总 ICML 2021丨时间序列相关研究论文汇总 KDD 2021丨时间序列相关研究论文汇总 IJCAI 2021丨时间序列相关研究论文汇总 CIKM 2021丨时间序列相关研究论文汇总 ACM CIKM（International Conference on Information and Knowledge Management）是信息知识管理和数据挖掘领域顶级学术会议之一，其目的是确定未来知识和信息系统发展面临的具有挑战性的问题，并通过征求和审查高质量的应用和理论研究成果来塑造未来的研究方向。被中国计算机协会 CCF 推荐为 B类会议。 ACM CIKM 2021 主要包含 7 个 tracks，其中关注的三个 tracks 对应的接收率为：Full Paper Track（271/1251=21.7%），Applied Paper Track（70/290=24.1%），Short Paper Track（177/626=28.3%）。 本文主要整理下 Full Papers & Applied Paper ...

这篇文章从 ICLR 2022 的论文投稿中学习下 时间序列 和 图神经网络 相结合的研究趋势，主要包含较为个人关注的两个研究领域融合；然后总结下研究趋势。 首先介绍下 ICLR 会议： ICLR，全称为 International Conference on Learning Representations（国际学习表征会议），2013年由两位深度学习巨佬、图灵奖得主 Yoshua Bengio 和 Yann LeCun 创办，被认为是“深度学习领域的顶级会议”。ICLR 未在 CCF 推荐会议列表中但被清华推荐为 A 类会议，懂得都懂！🤫 Articles ICLR 2022 OpenReview 上时间序列相关研究的投稿非常多，主要总结下 ICLR 2022 时间序列和 GNNs 相结合领域的文章列表。 📢 注意目前投稿仅处于 Double-blind Review 阶段并不代表已接收，所以仅能代表大佬们的研究趋势。但接收文章也是从投稿中选择的！🤔 01 论文标题 Evaluating the Robustness of Time Series Anomaly an ...

背景 图、树结构数据可视化框架 AntV-G6, 参考 API 文档: https://g6.antv.vision/zh/docs/api/Graph 树数据 const mockData = { id: 'g1', name: 'Name1', count: 123456, label: '538.90', currency: 'Yuan', rate: 1.0, status: 'B', variableName: 'V1', variableValue: 0.341, variableUp: false, children: [ { id: 'g12', nam ...

背景 图、树结构数据可视化框架 AntV-G6, 参考 API 文档: https://g6.antv.vision/zh/docs/api/Graph 图数据 // 实例化 Minimap 插件 const minimap = new G6.Minimap({ size: [100, 100], className: "minimap", type: 'delegate' }); const toolbar = new G6.ToolBar({ position: { x: 10, y: 10 }, }); const container = document.getElementById('container'); const width = container.scrollWidth; const height = contai ...

背景 作为一名程序猿学习前端基础知识，因此学习下 Vue 框架及其基础命令。 Vue.js（读音 /vjuː/, 类似于 view） 是一套构建用户界面的渐进式框架。 Vue 只关注视图层， 采用自底向上增量开发的设计。 Vue 的目标是通过尽可能简单的 API 实现响应的数据绑定和组合的视图组件。 其它 JS 和 Vue 区别： JS 首先都要获取到 DOM 对象，再对 DOM 对象进行进行值的修改等操作； Vue 是首先把值和 JS 对象进行绑定，再修改 JS 对象的值，Vue 框架就会自动把DOM的值就行更新； 入门 参考教程： https://www.runoob.com/vue2/vue-tutorial.html https://cn.vuejs.org/v2/guide/ 安装 首先需要安装 node，再安装 Vue 命令行工具。 采用 NPM 方式： 1$ npm install -g vue-cli 新建项目 创建一个基于 webpack 模板的新项目，按需进行配置【回车默认即可】 1$ vue init webpack project-name 📢 注 ...

论文标题丨Hunt for the unique, stable, sparse and fast feature learning on graphs 论文来源丨NIPS 2017 论文链接丨https://dl.acm.org/doi/10.5555/3294771.3294780 源码链接丨https://github.com/vermaMachineLearning/FGSD TL;DR Algorithm/Model Experiments Thoughts

论文标题丨Attention-Based Autoregression for Accurate and Efficient Multivariate Time Series Forecasting 论文来源丨SIAM/SDM 2021 论文链接丨https://epubs.siam.org/doi/10.1137/1.9781611976700.60 源码链接丨未开源 TL;DR 由于之前的模型不能有效地捕获序列内的模式特征和序列间的关系特征，这篇论文中针对多元时间序列预测问题提出一个更加高效的模型 AttnAR（attention-based autoregression）。AttnAR 首先利用混合卷积特征提取器来学习每个时间序列的模式，然后通过学习目标时间序列间的时间不变注意力图来聚合序列的模式。实验部分在四个多元时序数据集中验证了 AttnAR 的预测准确率，而且模型参数量远低于其它 baselines。 Algorithm/Model AttnAR 模型架构如下图所示： 主要包含三个模块： Extractor Module：Mixed Convolution Extrac ...

论文标题丨Reconstruction-based Anomaly Detection with Completely Random Forest 论文来源丨SIAM/SDM 2021 论文链接丨http://129.211.169.156/publication/sdm21anomalyCRF.pdf 源码链接丨https://github.com/xuyxu/RecForest TL;DR 基于 AutoEncoder 重构的异常检测器一般需要大量的训练数据集而且模型模型包含大量的超参数，因此周志华老师团队的这篇论文中提出了一个基于完全随机森林重构的异常检测模型 RecForest。主要具备三个优点：（1）相比于 AutoEncoder，树模型训练速度快而且超参数少 （2）相比于当前的树异常检测模型，RecForest 可以挖掘和处理高维数据集中的离群属性和无关属性 （3）相比于当前 baselines 挖掘离群属性，RecForest 运行速度更高。实验部分在多个数据集中验证了 RecForest 的有效性和运行效率。 Definition 相关工作不再细述，可以参考历史中基于 ...

大纲 根据算法模型的检测级别图异常检测任务大体上分为三类： Node-Level：图异常检测丨异常节点检测算法综述 Edge-Level：图异常检测丨异常边检测算法综述 (Sub)Graph-Level：图异常检测丨异常(子)图检测算法综述 在上述分类下可以根据图数据类型可以进一步区分，主要包括：① 静态图：简单图，属性图 ② 动态图 异常子图检测 在现实生活中，异常现象可能是与他人串通或共同行动以获得更多利润。当数据用图表示时，这些异常及其相互作用通常会形成可疑的子图结构。 与异常点和异常边检测不同，异常子图中的点或者边单独而言属于正常，但是整体而言是异常情况。 传统方法 静态图 假设：异常子图通常表现出明显不同的属性分布。 [SDM 2014] gAnomaly [1] [SDM 2016] AMEN [2] 动态图 [ICDM 2008] [3] 开山之作，定义动态图中异常子图检测问题。 [KDD 2018] SpotLight [4] 探索动态图中的 sudden changes，并识别与这些变化相关的异常子图。 [SDM 2013] NetSpot [5] ...

大纲 根据算法模型的检测级别图异常检测任务大体上分为三类： Node-Level：图异常检测丨异常节点检测算法综述 Edge-Level：图异常检测丨异常边检测算法综述 (Sub)Graph-Level：图异常检测丨异常(子)图检测算法综述 在上述分类下可以根据图数据类型可以进一步区分，主要包括：① 静态图：简单图，属性图 ② 动态图 异常边检测 与针对单个节点的异常节点检测相比，异常边检测旨在识别异常链接，这些链接通常会告知真实对象之间的意外或不寻常的关系。 一般处理边流的情况，因此边异常检测模型普遍是针对动态图检测。 传统方法 [ICDM 2018] SedanSpot [1] 异常边两种情形：① 连接图中断开的区域 ② 突然大量出现。对于输入的边，模型给每条边分配异常分数，得分最高的前 kkk 条边是异常。 [WSDM 2021] F-Fade [2] 融合了概率模型和矩阵分解的优点，可以同时捕获节点的时间和结构变化。 DNN-based [IJCNN 2020] [3] 通过对这些深度模型的边分布进行建模来解决问题，并识别最不可能出现异常的现有边。 G ...

大纲 根据算法模型的检测级别图异常检测任务大体上分为三类： Node-Level：图异常检测丨异常节点检测算法综述 Edge-Level：图异常检测丨异常边检测算法综述 (Sub)Graph-Level：图异常检测丨异常(子)图检测算法综述 在上述分类下可以根据图数据类型可以进一步区分，主要包括：① 静态图：简单图，属性图 ② 动态图 异常点检测 异常类型 针对静态图中的异常节点检测，主要从节点或者边属性进行区分。异常节点主要可以分为以下三种类型： 全局异常点（Global anomalies）：考虑节点属性，属性与图中其它节点明显不同； 结构异常点（Structural anomalies）：考虑图结构信息，连接模式明显与其它节点不同； 社团异常点（Community anomalies）：考虑节点属性和结构，在相同社区中节点属性与其它节点不同； 不同异常类型的节点如下所示： 异常点检测方法主要分类，点击查看~ 静态图 传统方法 主要是利用图谱或者节点的统计特征（出/入度等）来检测异常点。 [PAKDD 2010] OddBall [1] 采用 1-hop ...

论文标题丨AID: Efficient Prediction of Aggregated Intensity of Dependency in Large-scale Cloud Systems 论文来源丨ASE 2021 论文链接丨https://arxiv.org/abs/2109.04893 源码链接丨https://github.com/opspai/aid TL;DR 考虑到目前大部分方法都是基于分布式链路追踪数据得到服务间的调用关系，然后再进行根因定位。论文声称首次提出 AID (Aggregated Intensity of service Dependency) 方法来预测服务间的依赖强度。AID 首先从 spans 数据中生成一系列服务依赖候选对，再从 spans 数据中聚合多个指标来表示服务的状态，然后基于指标来计算不同候选对的相似性，最后聚合所有的相似度值来得到服务间的依赖强度。实验部分在开源微服务系统 train-ticket 和生成环境系统中验证了 AID 可有效准确地预测服务间的依赖强度。 Algorithm/Model AID 方法的整体框架如下图所示： ...

背景 在另一篇文章 Python 可交互的网络图可视化工具 中总结了一些提供 Python API 的网络图可视化交互工具库，例如 Plotly、PyVis、PyEcharts 等，其各有千秋。在逛 github 时突然发现另一个眼前一亮的可视化库 —— bqplot，同样提供了网络图的可视化 Python 接口，而且功能更加强大更好看，因此学习下 bqplot 中较为关注的 network graph 网络图可视化方法。 bqplot bqplot 是基于图形语法构建的用于 Jupyter 的交互式 2D 绘图库，具有以下特点： 用 Python 语言提供统一的可视化框架； bqplot 利用 widget 基础提供第一个在 Python 和 JAVAScript 代码之间通信的绘图库； bqplot 的可视化是基于 D3.js 和 SVG 的，支持快速交互和漂亮的动画； 源码仓库：https://github.com/bqplot/bqplot 官方文档：https://bqplot.readthedocs.io/ bqplot 提供非常多的交互图绘制接口，支持的图表格式如下所 ...

背景 这篇文章学习一下 Amazon 在 ICML 2021 中提出的一种新颖时间序列间因果关系挖掘方法 SyPI (Systematic Path Isolation)，此新方法声称超越了格兰杰因果挖掘方法，在给定图约束下可以识别目标时间序列的真因[1] ，即方法可以定位到造成目标时间序列变化的根因！🤔 New method goes beyond Granger causality to identify only the true causes of a target time series, given some graph constraints. 给出原始论文标题和下载链接，感兴趣可以深入学习： 论文标题丨Necessary and sufficient conditions for causal feature selection in time series with latent common causes 论文来源丨ICML 2021 论文链接丨http://proceedings.mlr.press/v139/mastakouri21a.html 本文主 ...

论文标题丨Necessary and sufficient conditions for causal feature selection in time series with latent common causes 论文来源丨ICML 2021 论文链接丨http://proceedings.mlr.press/v139/mastakouri21a.html 源码链接丨未开源 TL;DR 考虑到具有潜变量的时间序列间存在直接或间接因果关系，论文中提出了一个基于图限制的因果特征选择方法 SyPI，此算法仅需两次条件独立性检测即可判断候选时间序列是否个目标时间序列存在因果关系。在真实数据和模拟实验中，SyPI 拥有接近零的假阳率（FP）和较低的假阴率（FN）。论文中声称提出的方法超越了基于格兰杰因果系列的方法，可以判定时间序列变化的真正根因，因此非常好奇。🧐 Problem Definition 给定观察到的单变量时间序列 Y=(Yt)t∈ZY=(Y_t)_{t\in \mathbb{Z}}Y=(Yt​)t∈Z​ 为果，需要从其它观测到的多元时间序列 X=((Xt1,...,Xt ...