Nov, 2023

KITS: 基于归纳时空克里金和增量训练策略

PDF
TL;DR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。
sensorskriginggraph neural networksincrement training strategykits
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

  • 感知图神经网络用于时空 Kriging

    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。

    Jun, 2020

  • 基于克里金法的伪标签生成增强地面 PM2.5 预测

    通过引入一种称为普通克里金法的空间插值技术生成的伪标签，将未标记的卫星图像与稀疏的地面测量数据融合，从而充分利用可用的卫星数据资源来增强卷积神经网络 - 随机森林模型的性能，提高空间相关性并降低预测误差。

    Jan, 2024

  • 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

  • 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

  • 基于图的稀疏和部分多变量观测的虚拟传感

    通过利用虚拟传感技术，结合时空测量，建立一个基于图的深度学习框架 GgNet，通过学习变量和位置之间的依赖关系以及利用相关变量来插值，从而获得比现有技术更高的重建准确性。

    Feb, 2024

  • 面向演化图的鲁棒图增量学习

    本文研究了基于图结构数据的递增学习问题，提出了一种名为结构转移风险缓解（SSRM）的正则化技术，用来解决非独立、非同分布特性所带来的问题，并通过实证研究验证了该方法在增量学习框架中的性能优越性。

    Feb, 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

  • 非邻居也在克里金中起作用：一种新的对比原型学习

    通过邻域对比学习和原型学习优化 Kriging 方法，从邻居中提取有价值的信息并从非邻居中重新利用有用信息，以实现准确估计未采样地理位置的属性。

    Jan, 2024

  • 学习从有限观测的时空图中重建缺失数据

    该论文提出了一种基于注意力机制的体系结构，可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性，达到填充（imputation）缺失值的目的。

    May, 2022