Auto-STGCN：基于强化学习与已有研究成果的自主时空图卷积网络搜索
机器学习
2020-10-16 v1 人工智能
摘要
近年来，许多时空图卷积网络（STGCN）模型被提出以处理时空网络数据预测问题。这些STGCN模型各有优势，即它们各自提出了许多有效操作并在实际应用中取得了良好预测效果。若用户能有效利用并组合这些优秀操作，融合现有模型的优势，则可能获得更有效的STGCN模型，从而利用已有工作创造更大价值。然而，由于缺乏领域知识，他们未能做到这一点，且缺乏自动化系统以帮助用户实现该目标。本文填补了这一空白，提出Auto-STGCN算法，其利用现有模型自动为特定场景探索高性能STGCN模型。具体而言，我们设计了Unified-STGCN框架，该框架总结了现有架构的操作，并使用参数控制每个操作的使用与特征属性，从而实现STGCN架构的参数化表示以及优势的重组织与融合。然后，我们提出Auto-STGCN，一种基于强化学习的优化方法，以快速搜索Unified-STGCN提供的参数搜索空间，并自动生成最优STGCN模型。在真实基准数据集上的大量实验表明，我们的Auto-STGCN能找到优于带有启发式参数的现有STGCN模型的STGCN模型，证明了所提方法的有效性。
引用
@article{arxiv.2010.07474,
title = {Auto-STGCN: Autonomous Spatial-Temporal Graph Convolutional Network Search Based on Reinforcement Learning and Existing Research Results},
author = {Chunnan Wang and Kaixin Zhang and Hongzhi Wang and Bozhou Chen},
journal= {arXiv preprint arXiv:2010.07474},
year = {2020}
}