arXiv · 17.06.2026 ·Машинное обучение

Метод INDEQS для прогнозирования временных рядов на графах

Исследователи представили новый метод прогнозирования временных рядов — Informed Neural controlled Differential EQuationS (INDEQS). Он расширяет возможности нейронных управляемых дифференциальных уравнений (NCDE), которые традиционно используются для анализа непрерывных данных во времени. В отличие от стандартных подходов, где пространственная структура графа вычисляется исключительно на основе данных, INDEQS позволяет интегрировать априорно известные знания о направленной структуре связей.

Основная проблема классических графовых NCDE заключается в том, что модели часто игнорируют существующие экспертные знания о топологии системы, пытаясь «выучить» структуру с нуля. Это приводит к избыточным вычислениям и снижению точности в задачах, где физические или логические связи между узлами системы уже определены. Новый подход встраивает эти структурные ограничения непосредственно в архитектуру дифференциальных уравнений, что делает процесс обучения более стабильным и интерпретируемым.

Тестирование метода показало эффективность в сценариях, где необходимо учитывать как динамические изменения показателей, так и жесткие структурные зависимости между объектами. Интеграция предварительных знаний о графе позволяет модели лучше справляться с прогнозированием в сложных сетях, где данные могут быть зашумлены или неполны. Разработка открывает новые возможности для применения нейросетевых методов в задачах, требующих строгого соблюдения физических или структурных законов системы.

Источник: arXiv

Похожие материалы

arXiv · Исследования и наука DIPHINE: новый метод анализа информационных систем через диффузионные модели Исследователи представили DIPHINE (Diffusion-based Φ-ID Neural Estimator) — новый вычислительный метод для анализа сложных систем. В основе работы лежит фреймворк Φ-ID (Integrated Information Decomposition), который позволяет разделять динамику данных на 16 независимых компонентов. Эти компоненты описывают, как именно информация хранится, распределяется и интегрируется внутри многомерных систем с течением времени. Hacker News · Машинное обучение Новый подход к решению нейронных ОДУ Исследователи предложили метод решения нейронных обыкновенных дифференциальных уравнений (ОДУ) с нуля. В статье на Tinyvolt подробно описаны принципы и алгоритмы, которые позволяют более точно моделировать динамические системы. arXiv · Машинное обучение Новый метод решения нелинейных уравнений с нейросетями Исследователи предложили новый численный метод для решения нелинейных дифференциальных уравнений с использованием физически информированных нейронных сетей (PINNs). Метод основан на подходе Беллмана-Калабы, который сводит нелинейную задачу к последовательности линейных подзадач. Каждая из них решается методом наименьших квадратов с помощью QR-разложения. arXiv · Машинное обучение Эквивариантные графовые нейросети ускоряют поиск новых материалов Исследователи представили новый подход к прогнозированию оптических спектров материалов с использованием эквивариантных графовых нейронных сетей. Традиционные суррогатные модели часто ограничены использованием скалярных признаков, инвариантных к поворотам, что снижает точность описания геометрических свойств молекулярных структур. Применение эквивариантных архитектур позволяет нейросети учитывать пространственную ориентацию атомов и связей, значительно повышая выразительность модели при анализе сложных физических систем. Hacker News · Машинное обучение Новый подход к законам масштабирования может изменить обучение ИИ-моделей Исследователи из Стэнфордского университета предложили новый подход к законам масштабирования, который может существенно повлиять на процесс обучения искусственных нейронных сетей. Традиционные законы масштабирования описывают, как увеличение размера модели и объёма данных влияет на её производительность. Однако новый метод позволяет более точно предсказывать, как изменения в архитектуре модели и данных повлияют на её точность и эффективность. arXiv · Машинное обучение Новый подход к моделированию динамических систем через явные структуры Исследователи представили альтернативный подход к обучению динамических систем, который отходит от использования универсальных нелинейных аппроксиматоров. Вместо наращивания сложности нейронных сетей для захвата сложных паттернов, авторы предлагают архитектуру, где моделирующая способность системы определяется её внутренней структурой. Такой метод позволяет эффективнее описывать поведение динамических процессов, опираясь на математически обоснованные взаимодействия, а не на избыточную нелинейность. arXiv · Машинное обучение Ускорение численного моделирования потоков с помощью графовых нейросетей Исследователи представили новый метод ускорения алгебраических многосеточных решателей (AMG), используемых для решения уравнения Пуассона при моделировании несжимаемых потоков. Традиционные линейные методы часто сталкиваются с вычислительными сложностями из-за неоднородности расчетных сеток, что делает их узким местом в инженерных расчетах. arXiv · Память и RAG Память в ИИ для прогнозирования трафика Исследователи из Университета Цинхуа и других ведущих вузов представили новый подход к прогнозированию состояния дорожного движения с использованием памяти. В статье, опубликованной на arXiv, они предлагают Memory-Augmented Graph Liquid Time-Constant Networks (M-GLTN) — модель, которая решает проблему нехватки данных в некоторых регионах за счёт переноса знаний из других областей. arXiv · Машинное обучение Новый метод прогнозирования временных рядов с учётом межканальных корреляций Исследователи предложили новый подход к прогнозированию временных рядов, который учитывает межканальные корреляции. В статье, опубликованной на arXiv, авторы утверждают, что существующие модели часто игнорируют взаимосвязи между различными каналами данных, что приводит к менее точным прогнозам. arXiv · Машинное обучение OrthoReg: новый метод обучения гибридных нейросимвольных моделей Исследователи представили метод OrthoReg, направленный на улучшение обучения гибридных динамических систем. Такие системы объединяют классические механистические модели, основанные на физических законах, с гибкими нейронными сетями. Традиционный подход к их созданию сталкивается с противоречием: символьные модели обладают высокой интерпретируемостью, но часто слишком упрощают реальные процессы, тогда как нейросетевые методы обеспечивают точность, но остаются «черными ящиками» без физического обоснования.

← Все материалы