Oct, 2023

可解释的时空图神经网络

PDF
TL;DR提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。
spatio-temporal graph neural networksexplainableresource allocationpolicy formulationpredictive accuracy
发现论文，激发创造
  • 必要枢纽：基于本质连接神经网络的多元时间序列时空预测

    本研究主要探讨了基于空间 - 时间图神经网络的多元时间序列建模和预测，提出了一种紧凑型的预测模型，通过节点标识驱动，不需要复杂的顺序模块，并使用稠密编码器 - 解码器和消息传递层，能够有效地处理空间 - 时间问题。实证结果表明，这种简单而优雅的模型在适当归纳基础的情况下，与复杂的设计相比，具有更好的性能，更易解释，更高效。

    Jul, 2023

  • 基于图信息瓶颈的自解释时变图网络

    基于图信息瓶颈的自解释时态图网络（TGIB）是一种新的内置解释框架，能够同时对事件发生和解释进行预测，通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明，与现有方法相比，TGIB 在链接预测性能和可解释性方面具有优势。

    Jun, 2024

  • 基于时空融合的图神经网络用于交通流量预测

    本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

    Dec, 2020

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021

  • 基于图神经网络的时空外推技术

    本文研究了在图形上从周围环境生成目标位置数据的时空外推任务，提出了具有不确定性估计和强大学习能力的空间 - 时间图神经过程模型，并使用贝叶斯聚合算法在转移过程中对上下文数据和图形结构进行了考虑。

    May, 2023

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 时空图卷积网络：用于交通预测的深度学习框架

    本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

    Sep, 2017

  • STGIN：用于长序列交通速度预测的时空图形推理网络

    本研究提出了一种新的空间 - 时间神经网络体系结构，称为 Spatial-Temporal Graph-Informer (STGIN)，通过融合信息召唤器 (Informer) 和图形注意力网络 (GAT) 层进行空间和时间关系提取，以处理长期交通参数预测问题。通过对两个真实交通数据集的实验结果进行验证，表明这种模型具有长序列预测能力。

    Oct, 2022

  • DyExplainer：可解释的动态图神经网络

    使用 DyExplainer 方法解释动态图神经网络，通过稀疏注意机制探索结构关系和时间依赖性，并结合对比学习技术提供先验引导正则化，以实现对模型预测的解释性和预测准确性的显著提升。

    Oct, 2023

  • STG4Traffic: 交通预测的时空图神经网络调查和基准评估

    本研究通过系统综述图学习策略和空间 - temporal 图网络模型来建立智慧城市的标准化和可扩展基准，以评估其在两种类型的交通数据集上的性能，并讨论未来的研究方向。

    Jul, 2023