基于注意力引导的深度对抗时序子空间聚类 (A-DATSC) 模型用于多变量时空数据
机器学习
2025-10-22 v1
摘要
深度子空间聚类模型对于雪融检测、海冰跟踪、作物健康监测、传染病建模、网络负载预测和土地利用规划等应用至关重要，后者在这些应用中，多变量时空数据表现出复杂的时序依赖关系，并驻留在超出传统聚类方法能力范围的多个非线性流形上。这些模型将数据投影到潜在空间，其中样本位于线性子空间中，并利用自表达属性来揭示内在关系。尽管取得了成功，但现有方法面临主要限制：它们使用浅层自编码器忽略聚类误差，强调全局特征而忽略局部结构，无法建模长程依赖和位置信息，且很少应用于 4D 时空数据。为了解决这些问题，我们提出了 A-DATSC (注意力引导的深度对抗时序子空间聚类)，是一个结合深度子空间聚类生成器和质量验证判别器的模型。生成器灵感来自 U-Net，通过堆叠 TimeDistributed ConvLSTM2D 层保留空间和时间完整性，减少参数并增强泛化。基于图注意力转换器的自表达网络捕获局部空间关系、全局依赖关系以及短期和长期相关性。在三个真实世界多变量时空数据集上的实验表明，A-DATSC 在与最先进的深度子空间聚类模型相比，实现了显著优于的聚类性能。
引用
@article{arxiv.2510.18004,
title = {Attention-Guided Deep Adversarial Temporal Subspace Clustering (A-DATSC) Model for multivariate spatiotemporal data},
author = {Francis Ndikum Nji and Vandana Janeja and Jianwu Wang},
journal= {arXiv preprint arXiv:2510.18004},
year = {2025}
}
备注
9 pages, under review submitted to ICLR 2025