AAAIJun, 2020

感知图神经网络用于时空 Kriging

PDF
TL;DR本文提出了一种基于图神经网络的归纳式克里金模型 (IGNNK)，用于在网络 / 图结构上恢复未采样位置 / 传感器的数据，实现了局部信息的传递和学习。利用动态邻接矩阵进行培训，最终在多个真实数据集上表现出较好的预测效果，这些研究结果表明：1) GNN 是进行空间克里金的有效工具；2) 可以使用动态邻接矩阵进行归纳式 GNN 的训练；3) 训练好的模型可以传递到新的图结构上；4) IGNNK 可以用于产生虚拟传感器。
spatiotemporal data analysiskriginggraph neural networkinductive learningdynamic adjacency matrices
发现论文，激发创造
  • INCREASE: 基于感应的空间时间克里金图表示学习

    本文提出了一种基于图表示学习的时空克里金模型，通过编码不同观察位置间的空间相似性、功能相似性和转移概率，结合门控循环神经网络和多种关系注意机制，从多个时间步骤中动态融合不同关系的时空信息，成功解决了基于异质空间关系的时空克里金问题。

    Feb, 2023

  • KITS: 基于归纳时空克里金和增量训练策略

    一篇关于使用增量训练策略提高克里金预测模型性能的研究论文，提出了一种基于图神经网络的新的克里金模型 KITS，通过在训练图中添加虚拟节点并与观测节点融合特征，同时构建可靠的伪标签，成功解决了训练图与推理图之间的差距问题，使得该模型在预测中表现出较高的性能优势。

    Nov, 2023

  • 实时克里金插值的空间聚合和时间卷积网络

    SATCN 是一种通用且灵活的框架，它使用空间聚合网络和时间卷积网络进行时空克里金插值，可以适用于各种不同类型的时空数据集，并能够相对传统方法以及基于 GNN 的克里金模型更加优越。

    Sep, 2021

  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 基于多核克里格卡尔曼滤波的图空时函数推断

    本文介绍了一种基于核函数和克里格 - Kalman 滤波器的图信号重建方法，其结合多核心选择模块，来优化信号动态变化下的核函数选择和同时减少计算复杂度，实验结果表明，该方法在信号重建方面优于现有的最新算法。

    Nov, 2017

  • 基于物理的图神经网络用于多变量时间序列缺失值填补

    通过融合动态的高阶空时 GN，通过使用空间注意机制生成动态拉普拉斯矩阵，并使用物理动态系统的普遍非齐次偏微分方程来构建高阶空时 GN，以获得缺失的时间序列值，并通过归一化流来评估图中每个节点的重要性从而更好地解释缺失的影响。

    May, 2024

  • 时间感知逻辑路径神经网络用于时态知识图谱推理

    TiPNN 模型以历史时间图为基础，采用统一的图结构来全面捕捉和封装历史信息，并利用查询感知的时间路径模拟与查询相关的历史路径信息，从而实现对时间知识图的推理，并在归纳设置下取得显著性能提升。

    Sep, 2023

  • 时空深入克里金插值和概率预测

    本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测，并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。

    Jun, 2023

  • 时空预测与效率相遇：因果图过程神经网络

    本文介绍 Causal Graph Process Neural Network (CGProNet)，它结合了 CGPs 和 GNNs，用于时空预测，并通过使用更少的参数、减少内存使用和提高运行效率来优化模型。实验结果表明 CGProNet 在保持竞争力的预测性能的同时，最小化了内存和时间需求。

    May, 2024

  • 隐式图神经网络

    本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

    Sep, 2020