WWWFeb, 2021

STAN: 基于时空关注机制的下一位置推荐网络

PDF
TL;DR提出了一种基于 Spatio-Temporal Attention Network (STAN) 的地点推荐方法，利用自注意层解决了现有模型中非相邻地点和非连续拜访贡献的问题，并通过可视化证明其比现有最先进的方法表现更好，可以更好地根据用户轨迹进行个性化的地点推荐
location recommendationspatio-temporal attention networkuser trajectorypersonalized item frequencystate-of-the-art models
发现论文，激发创造
  • 时空对齐网络用于动作识别

    通过引入视点不变特征表示，研究提高现有动作识别架构；提出了一种轻量级通用的空间 - 时间对齐网络（STAN）用于学习动作识别的几何不变表示；实验证明 STAN 模型在广泛使用的数据集上能够在从头开始训练的模式下持续改进动作识别任务的最先进模型。

    Aug, 2023

  • STP-UDGAT: 用于下一个 POI 推荐的空间 - 时间 - 偏好用户维度图注意力网络

    本研究使用新颖的探索 - 利用模型，提出使用 Spatial-Temporal-Preference User Dimensional Graph Attention Network (STP-UDGAT) 来同时为用户的个性化偏好和探索新的 POI 以及通过随机游走来寻找新的高阶 POI 邻居，以解决点 - of-Interest (POI) recommendation 的问题，并且在六个真实世界数据集上实验结果显示，该模型明显优于基准线和现有的方法。

    Oct, 2020

  • STAN：基于实际证据的时空关注网络用于疫情预测

    本文通过使用真实世界患者数据和地理数据以及传染病传播定律设计的损失项来提高预测准确性，提出了一种基于定位注意力和空间 - 时间图卷积网络的流行病预测方法，并在 COVID-19 数据集上进行了测试。结果表明，这种方法在短期和长期预测中均优于现有方法，提高了预测的准确性。

    Jul, 2020

  • 基于梯度的时间序列解释方法：通过时空注意力网络

    探索使用基于 transformer 的时空关注网络 (STAN) 进行基于梯度的时间序列解释的可行性，并通过训练 STAN 模型在时间序列数据的全局和局部视图上进行视频分类，然后利用基于梯度的 XAI 技术 (如显著图) 识别时间序列数据的重要帧，并在使用四种相关医学活动的数据集进行实验中，STAN 模型展示了识别视频重要帧的潜力。

    May, 2024

  • 基于时空扩展图神经网络的人类移动仿真

    本研究提出了一种新的框架，即 SpatioTemporal-Augmented gRaph 神经网络（STAR），以建模地点的动态时空影响和优化人类移动轨迹的生成过程，结果优于现有最先进的方法。

    Jun, 2023

  • Where to Go Next: 一种用于下一个 POI 推荐的时空 LSTM 模型

    本文提出了一种基于 STLSTM 的方法来建模相继签到地点之间的时空关系，在四个真实数据集上的实验表明，该方法能够显著地优于现有的下一个兴趣点推荐方法。

    Jun, 2018

  • 自然语言时序相邻网络学习用于时刻定位

    本文提出了一个基于 2D 时间映射的 Temporal Adjacent Network（2D-TAN）框架，用于在未修剪的视频中匹配与查询句子相关的特定时间点，该框架可以编码相邻的时间关系，并学习具有区分性的特征以提高活动识别的准确性，通过在 Charades-STA，ActivityNet Captions 和 TACoS 等数据集上的表现，证明了该方法的优越性。

    Dec, 2019

  • 交通流预测的自适应图空时转换网络

    该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

    Jul, 2022

  • STAN：时空对抗网络用于异常事件检测

    这篇论文提出了一种基于时空对抗网络（STAN）的新颖的异常事件检测方法，通过使用双向 ConvLSTM 考虑时空特征，提高了生成模型的质量，并采用三维卷积层进行分类，同时本文也取得了与最先进方法的竞争性效果。

    Apr, 2018

  • 基于注意力机制的时空图卷积循环神经网络用于交通预测

    本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN，其中包括图卷积循环模块 GCRN 和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。

    Feb, 2023