Mar, 2024

FairSTG: 通过协作的样本级优化来对抗性能异质性

PDF
TL;DR该研究论文提出了一种面向公平性的模型无关的时空图学习框架（FairSTG），利用先进样本与挑战性样本之间的协同混合来解决不公平的时空学习中的性能异质性问题，从而提高公平性质量并保持可比较的预测准确性，并能够通过样本级的检索和补偿对空间和时间性能异质性进行抵消，从而在为欠代表的城市地区进行时空资源分配时减轻风险。
发现论文，激发创造
  • 时空元对比学习

    提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

    Oct, 2023

  • 带对抗对比适应的时空图学习

    该研究提出了一种名为 GraphST 的空间 - 时间图学习模型，采用新的自监督学习方法以及跨视图对比学习方法，提高了模型中多视图信息的利用和处理，使其在空间 - 时间预测任务方面表现出了卓越的性能。

    Jun, 2023

  • 跨城市知识迁移的时空图少样本学习

    针对数据稀缺的城市，在跨城市知识转移的基础上，提出了一个面向时空图的模型不可知少样本学习框架 ST-GFSL，用于从城市之间不规则的时空相似性中提高特征提取的质量，重构图结构以实现结构感知学习并提高交通速度预测的准确性。

    May, 2022

  • 自动化时空图对比学习

    本文介绍了一种 Automated Spatio-Temporal graph contrastive learning（AutoST）的方法，在考虑到多视图数据源的情况下，结合异构图神经架构，通过参数化的对比视图生成器来设计自动的时空增强方案，以解决数据噪声、分布异质性等问题，并进行对比实验以验证其效果。

    May, 2023

  • 基于时空自监督学习的交通流量预测

    本文提出了一种新的 Spatio-Temporal Self-Supervised Learning (ST-SSL) 交通预测框架以解决现有方法中存在的空间异质性和时间异质性问题，其中结合了时间和空间卷积以及自我监督辅助任务，实验结果表明，该方法在四个基准数据集上表现良好而且可适用于其他时空应用。

    Dec, 2022

  • 隐私 - 效用移动模型的公平性分析

    本文定义人类活动中用于衡量公平性的指标，并对几个隐私保护模型在这些指标下的性能进行了比较，结果表明现有的模型虽然可以保证群体公平，但无法保证个体公平，即具有高度相似轨迹的用户获得的隐私保护差异较大，这表明在未来的空间 - 时间数据分析和建模过程中需要同时考虑去识别的任务和个人公平性，以实现隐私保护与公平性的平衡。

    Apr, 2023

  • SpecSTG: 一种快速的谱扩散框架用于概率时空交通预测

    通过提出一种新的谱扩散框架，将空间依赖性和交通数据中的系统模式充分利用，我们的模型在交通流量和交通速度数据上表现出色，超越了最先进的基准模型。

    Jan, 2024

  • 基于分组串并训练的异构联邦学习

    本论文提出了一个数据异构鲁棒的联邦学习方法 ——FedGSP，该方法使用动态序列 - 并行协作训练的新概念，通过将 FL 客户端分配到同质组中最小化组与组之间的整体分布差异，增加并行度并通过一种新颖的 Inter-Cluster Grouping (ICG) 算法来辅助分配，该算法利用重心等价定理简化 NP 难问题，实验结果表明 FedGSP 相比七种现有方法平均提高了 3.7％的准确率，并将训练时间和通信成本降低了 90％以上。

    Jan, 2022

  • 个体轨迹的联合时空表示学习

    本研究提出了一种空间 - 时间联合表示学习方法 (ST-GraphRL)，用于将可学习的空间 - 时间依赖性编码到轨迹表示中。该方法在预测移动空间 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间 - 时间模式。同时，该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。

    Dec, 2023

  • 时空图散射变换

    提出一种基于数学设计的空时图散射转换（ST-GST），将传统散射变换扩展到空时领域，通过使用空时图小波和非线性激活函数的迭代应用，对空时数据进行分析，不需要训练即可视为空时图卷积网络的正向传递，在限制的训练数据情况下表现出稳定性，实验表明其性能优于空时图卷积网络。

    Dec, 2020