本文介绍了一种基于图神经网络的时间序列预测方法，它利用图结构数据（例如关系数据库）中节点之间的关联信息来提高预测精度。与传统的只关注单个时间序列的方法不同，该方法将各个时间序列视为图中的节点，并利用图转换器等技术来捕捉节点间的关联性，从而更准确地预测未来趋势。文章还比较了回归预测和生成式预测两种方法，并通过实验结果展示了生成式预测方法在捕捉高频细节和处理异常事件方面的优势。
阅读更多
KumoRFM是一个革命性的关系型基础模型（RFM），它能够在各种预测任务中对关系型数据库进行准确预测，无需任何特定数据或任务训练。它通过将数据库转换为时间异构图，利用表不变编码方案和关系图Transformer，在表间进行多模态数据推理。在RelBench基准测试中，KumoRFM平均超越了传统特征工程和端到端监督深度学习方法2%到8%，并且微调后性能提升可达10%到30%。最重要的是，KumoRFM比依赖监督训练的传统方法快几个数量级，为实时预测提供了零代码解决方案。
阅读更多
传统机器学习难以充分挖掘关系数据库中表与表之间复杂关系蕴含的宝贵洞见。关系图转换器（Relational Graph Transformers）应运而生，它将关系数据库视为相互关联的图，从而避免了繁琐的特征工程和数据管道构建。该技术显著提升了AI从企业数据中提取情报的效率和准确性，在客户分析、推荐系统、欺诈检测和需求预测等应用中展现出巨大的潜力，为数据科学家和企业领导者提供了强大的AI工具。
阅读更多
图数据无处不在，但利用其复杂的长程关系一直是机器学习的挑战。图神经网络（GNN）擅长捕捉局部模式，但难以处理全局关系。图Transformer应运而生，它利用强大的自注意力机制，让每个节点直接关注图中任何位置的信息，从而捕捉更丰富的关系和微妙的模式。与GNN相比，图Transformer在处理长程依赖、克服过度平滑和过度压缩方面具有优势，并能更有效地处理异构数据。虽然图Transformer的计算复杂度较高，但通过稀疏注意力机制和子图采样等技术，可以有效地处理大型图数据。
阅读更多