Jan, 2024
时态图中的节点特征预测的在线算法
Online Algorithm for Node Feature Forecasting in Temporal Graphs
Aniq Ur Rahman, Justin P. Coon
TL;DR我们在这篇论文中提出了一种名为 “mspace” 的在线算法，用于预测时态图中的节点特征，该算法巧妙地捕捉到不同节点之间的空间交叉相关性以及节点内部的时间自相关性。与基于图神经网络（GNN）模型和传统卡尔曼滤波器等各种基准方法进行了比较评估，结果表明 mspace 与最先进的方法相当甚至在某些数据集上超越它们。此外，mspace 在训练样本规模不同的数据集上表现出一致的鲁棒性，这是 GNN 方法无法实现的优势，而 GNN 方法需要大量的训练样本才能有效地学习数据中的时空趋势。因此，在训练样本有限的情况下使用 mspace 是有优势的。另外，我们还建立了关于 mspace 的多步预测误差的理论上限，并表明它按 $O (q)$ 的速度缩放，其中 $q$ 是预测的步数。