将领域微分方程纳入图卷积网络以降低泛化差异

Apr, 2024

将领域微分方程纳入图卷积网络以降低泛化差异

Incorporating Domain Differential Equations into Graph Convolutional Networks to Lower Generalization Discrepancy

Yue Sun, Chao Chen, Yuesheng Xu, Sihong Xie, Rick S. Blum...

TL;DR将域差分方程纳入图卷积网络（GCN）中可以提高空时预测的准确性和鲁棒性，我们提出了 Reaction-Diffusion Graph Convolutional Network（RDGCN）和 Susceptible-Infectious-Recovered Graph Convolutional Network（SIRGCN），它们基于可靠且可解释的域差分方程，能够适应不同的测试数据，并且相比于现有的深度学习方法具有更强的鲁棒性。

Abstract

Ensuring both accuracy and robustness in time series prediction is critical to many applications, ranging from urban planning to pandemic management. With sufficient training data where all spatiotemporal patterns are well-represented, existing deep-learning models can make reasonably

time series prediction domain generalization graph convolutional networks reaction-diffusion graph convolutional network sirgcn

发现论文，激发创造

关于微分方程启发的图神经网络的时域

本文提出了一种名为 TDE-GNN 的模型，它可以捕捉超过典型的一阶或二阶方法的各种时间动力学，并提供了现有时间模型难以处理的用例。通过在几个图形基准上学习时间依赖性，我们证明了使用我们的方法学习时间依赖性而不是使用预定义时间动态的好处。

Jan, 2024

图神经反应扩散模型

我们提出了一种基于神经反应扩散系统的新型图神经网络（RDGNN），它能够对各种数据类型进行建模，从同质性到异质性，以及时空数据集，并且在理论性能和实际表现上优于现有的方法。

Jun, 2024

基于图神经网络控制微分方程的交通预测

本文提出了一种基于神经网络控制微分方程的时空图神经控制微分方程（STG-NCDE）方法，将 NCDA 概念应用于时空序列数据的处理中，实验表明该方法在交通预测中表现良好且优于其他 20 种基准模型。

Dec, 2021

用于交通预测的动态图卷积循环神经网络：基准和解决方案

文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。

Apr, 2021

探索几何深度学习在降雨即时预测中的应用

基于几何深度学习的时态图卷积网络（GCN）用于降水预报，通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵，并通过 GCN 层对空间关系进行优化，并使用不同核长度的一维卷积提取时间信息，最终结果通过邻域信息作为辅助输入层来改善，实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性，从而降低误差度量。

Sep, 2023

InceptionGCN: 基于感受野的图卷积神经网络用于疾病预测

本文介绍了一种新的图形领域体系结构，用于基于图形的深度学习用于疾病预测，该体系结构利用不同内核大小的滤波器来构建，特点是定义了几何 “内核模块”，能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果，并提供了在模拟数据的不同输入情况下，常规 GCNs 和我们提出的模型的行为洞见。

Mar, 2019

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

基于图神经常微分方程的协同过滤方法

我们提出了一种基于图神经常微分方程的协同过滤方法（GODE-CF），该方法通过利用一个或两个图卷积网络层捕获的信息来估计最终嵌入，并证明了该模型在多个数据集上优于竞争基线和其他最新的协同过滤方法。值得注意的是，我们的 GODE-CF 模型相对于传统的图卷积网络模型具有简单、高效和快速训练时间等多个优点，使其成为实际场景中的理想选择。

Nov, 2023

持续演化的图神经控制微分方程用于交通预测

提出了连续演化图神经控制微分方程（CEGNCDE）来同时捕捉连续的时间依赖关系和随时间演变的空间依赖关系，通过基于 NCDE 的连续演化图生成器（CEGG）来生成连续演化的离散历史观测下的空间依赖图，然后引入了图神经控制微分方程（GNCDE）框架来同时捕捉连续的时间依赖关系和空间依赖关系。大量实验表明，CEGNCDE 相较于现有方法平均减少了 2.34％的相对 MAE，0.97％的相对 RMSE 和 3.17％的相对 MAPE。

Jan, 2024

基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

Mar, 2019