このブログ投稿では、グラフニューラルネットワークを用いた時系列予測の新しいアプローチを紹介します。個々の時系列のみに焦点を当てる従来の方法とは異なり、このアプローチはグラフ構造（例えば、リレーショナルデータベース）内のデータの相互接続性を活用します。時系列をグラフ内のノードとして表現し、グラフトランスフォーマーなどの手法を用いることで、モデルは異なる系列間の関係を捉え、より正確な予測につながります。また、回帰ベースと生成型予測方法を比較し、生成型アプローチが高頻度な詳細を捉え、稀なイベントを処理する能力の優位性を示します。
続きを読む
KumoRFMは、データやタスクに特化したトレーニングを必要とせずに、幅広い予測タスクにおいて関係データベースに対する正確な予測を行うことができる画期的なリレーショナルファウンデーションモデル（RFM）です。データベースを時間的、異種的なグラフに変換し、テーブル不変エンコーディングスキームとリレーショナルグラフトランスフォーマーを用いて、テーブル間のマルチモーダルデータの推論を行います。RelBenchベンチマークにおいて、KumoRFMは従来の特徴量エンジニアリングとエンドツーエンドの教師ありディープラーニングアプローチを平均2～8％上回り、ファインチューニング後にはさらに10～30％向上します。最も重要なのは、KumoRFMは教師ありトレーニングに依存する従来のアプローチよりも桁違いに高速であり、リアルタイム予測のためのゼロコードソリューションを提供することです。
続きを読む
従来の機械学習は、エンタープライズデータにおけるテーブル間の複雑な関係に隠された貴重な洞察を完全に捉えるのに苦労します。リレーショナルグラフトランスフォーマー（RGT）は、関係データベースを相互接続されたグラフとして扱うことで、この問題を解決します。これにより、広範な特徴量エンジニアリングや複雑なデータパイプラインの必要性がなくなります。RGTは、ビジネスデータからインテリジェンスを抽出するAIの効率性と精度を大幅に向上させ、顧客分析、レコメンデーションシステム、不正検知、需要予測などのアプリケーションにおいて大きな可能性を示しています。データサイエンティストとビジネスリーダーの両方にとって強力な新しいツールとなります。
続きを読む
グラフデータは至る所に存在しますが、その複雑で長距離にわたる関係性を活用することは、機械学習における課題でした。グラフニューラルネットワーク（GNN）は局所的なパターンの捕捉に優れていますが、グローバルな関係性には苦労します。そこで登場したのがグラフトランスフォーマーです。強力な自己注意機構を活用することで、各ノードはグラフ内のあらゆる場所の情報に直接アクセスできるため、より豊かな関係性と微妙なパターンを捉えることができます。GNNと比較して、グラフトランスフォーマーは長距離依存関係の処理、過剰平滑化と過剰圧縮の軽減、そして異種データのより効率的な処理において利点があります。グラフトランスフォーマーは計算の複雑性が高いものの、スパースなアテンション機構や部分グラフサンプリングなどの技術により、大規模グラフデータセットを効率的に処理できます。
続きを読む