基于锚点的增量和分层图学习框架用于归纳空间时间克里格
机器学习
2025-12-29 v1
摘要
空间时间克里格是传感器网络中的一个基本问题，由部署稀疏传感器导致观测缺失。尽管近期方法建模了空间和时间相关性，但往往未充分利用实际部署的两个实用特征：稀疏的空间分布和跨位置的异构辅助特征可用性。为此，我们提出 AnchorGK，一个基于锚点的增量和分层图学习框架，用于归纳空间时间克里格。AnchorGK 引入锚点位置以原则性方式对数据进行分层。锚点依据特征可用性构建，随后围绕这些锚点形成分层。这一分层结构发挥两个互补作用。其一，在图学习框架内显式表示并持续更新未观测区域与周围已观测位置之间的相关性。其二，通过增量表示机制系统性地利用跨分层的所有可用特征，缓解特征不完整而不丢弃信息信号。基于分层结构，我们设计了双视图图学习层，联合聚合特征相关和位置相关信息，学习分层特异的表示，以支持归纳设置下的准确推断。多个基准数据集上的大量实验表明，AnchorGK 在空间时间克里格任务上 consistently 优于最先进的基线方法。
引用
@article{arxiv.2512.21569,
title = {AnchorGK: Anchor-based Incremental and Stratified Graph Learning Framework for Inductive Spatio-Temporal Kriging},
author = {Xiaobin Ren and Kaiqi Zhao and Katerina Taškova and Patricia Riddle},
journal= {arXiv preprint arXiv:2512.21569},
year = {2025}
}