KDDMay, 2024

基于异质信息的时空时间序列预测的元参数学习

PDF
TL;DR我们提出了一种新颖的基于异质性信息的元参数学习方案：通过学习空间和时间嵌入，隐式地捕捉了空间时间异质性，并提出了一种新颖的空间时间元参数学习范式，从元参数池中学习了空间时间特定的参数，以此开发了一种应用于空间时间序列预测的具有异质性信息的空间时间元网络（HimNet），在五个广泛使用的基准测试中的实验证实我们的方法具有最先进的性能，并展示了出色的可解释性。
发现论文，激发创造
  • 面向任务适应性元学习框架的空间泛化能力提升

    提出了一种模型无关的元学习框架，采用任务自适应的公式将地域异质性数据集合成位置敏感的元任务，使模型适应大量异质性任务，并在实际社会应用中处理了空间相关的异质性任务。

    Dec, 2022

  • 交通预测的时空元图学习

    本研究提出了一种基于 Spatio-Temporal Meta-Graph Learning 机制的交通预测模型 MegaCRN。通过调用 Meta-Node Bank 的能力实现判别路段和时间在交通速度预测中的不同变化，实验结果表明该模型在多个基准数据集上的表现优异。

    Nov, 2022

  • 多城市学习：基于元学习的时空预测方法

    本文提出了一种基于传递学习和元学习范式的空间时间预测模型，该模型可以通过多个城市的数据来提高传递的稳定性以及通过潜在的周期性信息在交通和水质预测任务中表现出良好的效果。

    Jan, 2019

  • 应用于零样本时间序列预测的元学习框架

    本文基于广泛的元学习框架提供了积极的证据，证明元学习能够发现处理时间序列的通用方法，从而大幅提高其在来自不同数据集的新 TS 上的泛化能力。通过许多数据的实验结果和理论分析可以发现，在成功的零 - shot 单变量预测中，元学习机制的重要性。这表明，可以在源 TS 数据集上训练神经网络，并在不同的目标 TS 数据集上部署，而无需重新训练，从而获得至少与先进的单变量预测模型一样好的性能。

    Feb, 2020

  • 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

  • 元学习和预测提前期

    我们提出了一种元学习方法（FEML），利用来自其他数据集的样本通过对抗学习作为辅助任务来增强目标数据集的时间序列，同时展示了 FEML 可以在数据集之间进行元学习，并通过对目标数据集进行辅助样本的对抗生成学习，改善了预测性能，相较于单一任务学习和来自联合学习、多任务学习和经典预测基准的各种解决方案。

    Jul, 2023

  • DeepTime: 面向非平稳时间序列预测的深度时间索引元学习

    本论文介绍了 DeepTime，一个通过元学习培训的深度时间索引模型，它在非平稳时间序列预测方面具有显著的优势，并展示了与现有神经预测方法相比的竞争结果和高效性。

    Jul, 2022

  • 半监督元学习的时空学习

    应用元学习于自监督遮蔽自编码器以实现时空学习的研究中，我们通过三个步骤进行探索。我们测试了应用元学习于现有先进表示学习架构的影响，并通过三种方法进行时空学习的测试，分别是仅应用元学习架构、仅应用表示学习架构，以及应用表示学习与元学习架构的组合。我们使用 Memory Augmented Neural Network (MANN) 架构来应用元学习于我们的框架。具体地，我们首先实验了在小规模时空数据集上应用预训练的 MAE 进行视频重构任务的微调。接下来，我们尝试训练 MAE 编码器并应用分类头来进行动作分类任务。最后，我们实验了在具备 MANN 骨干网络的情况下，应用预训练的 MAE 进行动作分类任务的微调。

    Jul, 2023

  • 异质神经过程的情节式多任务学习

    该研究关注多任务学习中的数据不足问题，通过在一个情节式的训练环境中探索异构信息和元知识的潜力，有效地应对有限数据并解决数据不足问题。

    Oct, 2023

  • MegaCRN: 基于元图卷积循环神经网络的时空建模

    本研究提出了一种新颖的基于 Meta-Graph 学习的图结构学习机制，应用于时空数据的图卷积循环网络中，成功地解决了非平稳现象问题，并在两个基准数据集（METR-LA 和 PEMS-BAY）和一个包含各种非平稳现象的大规模时空数据集上的实验中获得了优异的预测效果。

    Dec, 2022