用于图上时空预测的因果邻接学习
机器学习
2024-11-26 v1 机器学习
摘要
图上的时空预测(STPG)是交通系统的关键任务。在现有STPG模型中，邻接矩阵是捕获图上节点关系的重要组成部分。然而，大多数研究通过直接记忆数据（如距离和相关性基准矩阵）来计算邻接矩阵，这些邻接矩阵不考虑测试数据潜在的模式偏移，若测试数据分布与训练数据不同，可能导致次优性能。这一问题被称为分布外(OOD)泛化问题。为解决此问题，本文提出了因果邻接学习(Causal Adjacency Learning, CAL)方法，以发现图上的因果关系。学习到的因果邻接矩阵在使用真实图数据进行下游时空预测任务时进行评估。结果表明，我们提出的邻接矩阵能够捕获因果关系，使用我们学习到的邻接矩阵可提升在OOD测试数据上的预测性能，尽管下游任务中未进行因果学习。
引用
@article{arxiv.2411.16142,
title = {Causal Adjacency Learning for Spatiotemporal Prediction Over Graphs},
author = {Zhaobin Mo and Qingyuan Liu and Baohua Yan and Longxiang Zhang and Xuan Di},
journal= {arXiv preprint arXiv:2411.16142},
year = {2024}
}