Mar, 2024

CASPER: 因果感知的时空图神经网络对时空时间序列插值

PDF
TL;DR从因果的角度重新审视了时空时间序列的填充，引入了前门调整与一个基于因果感知的时空图神经网络 (CASPER)，它包含了一个新颖的时空因果注意力 (SCA) 和一个基于提示的解码器 (PBD)。PBD 可以减少混淆变量的影响，而 SCA 可以发现嵌入之间的稀疏因果关系。经过理论分析，发现 SCA 是基于梯度值来发现因果关系的。通过在三个真实数据集上的评估，实验证明 Casper 能够胜过基准方法，并有效地发现因果关系。
spatiotemporal time seriesmissing valuescausal relationshipscasperfrontdoor adjustment
发现论文，激发创造
  • 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

  • 用图神经网络填补 G_ap_s：多元时间序列插值

    本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

    Jul, 2021

  • 基于图的缺失数据时空降采样预测

    通过分层时空下采样，利用可解释的注意机制结合观测和缺失数据模式，我们的方法在不同的缺失数据分布以及连续缺失数据块存在的情况下，在合成和实际基准测试中优于最先进的方法。

    Feb, 2024

  • 解读时空图预测：因果视角与处理

    通过使用因果治疗，本文提出了一种名为 CaST 的新框架来解决时空图预测中的时间分布外问题和动态空间因果问题，该框架通过建立结构因果模型来解析 STG 的数据生成过程，使用新的解缠结块通过反门调整来处理时间分布外问题，并利用前门调整和 Hodge-Laplacian 操作符进行边级卷积，以模拟因果效应的涟漪效果。在三个真实数据集上的实验证明了 CaST 的有效性和实用性，并且在解释性方面表现出色。

    Sep, 2023

  • 基于时空依赖的交通数据插值的深度学习框架

    本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

    Apr, 2023

  • ImputeFormer: 用于可推广的时空插补的图变换器

    这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构，使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性，并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发，从而解决广泛的时空插补问题。

    Dec, 2023

  • 时序解缠对比扩散模型的时空填补

    利用趋势和季节信息的条件特征和对比学习，C$^2$TSD 能更好地生成稳定和泛化性能强的模型，在三个真实数据集上的广泛实验显示其优越性能。

    Feb, 2024

  • 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

  • 生成多元时间序列稀疏反事实解释

    本文介绍了一种基于生成对抗网络（GAN）架构的 SPARCE 方法，用于多变量时间序列的稀疏反事实解释，并在真实世界的人体动作数据集以及一个时间序列的解释性基准上得到了验证。

    Jun, 2022