DarkFarseer: 图稀疏与噪声下的鲁棒时空克里金法
机器学习
2025-11-14 v2
摘要
随着物联网和信息物理系统的快速发展，广泛部署传感器变得至关重要。然而，构建传感器网络的高成本限制了其规模和覆盖范围，使得细粒度部署具有挑战性。归纳式时空克里金法（ISK）通过引入虚拟传感器解决了这一问题。基于图神经网络（GNN）提取物理传感器与虚拟传感器之间的关系，ISK可以从物理传感器推断虚拟传感器的测量值。然而，当前的ISK方法依赖于传统的消息传递机制和网络架构，未能有效提取物理传感器的时空特征并专注于表示虚拟传感器。此外，现有的图构建方法面临连接稀疏和噪声的问题，破坏了ISK的性能。为了解决这些问题，我们提出了DarkFarseer，一种新颖的ISK框架，包含三个关键组件。首先，我们提出了带有风格迁移策略的邻居隐藏风格增强模块，以时间-空间的方式增强虚拟节点的表示，从而更好地提取物理节点和虚拟节点之间的空间关系。其次，我们提出了虚拟组件对比学习，旨在通过建立虚拟节点模式与图组件内区域模式之间的关联来丰富节点表示。最后，我们设计了一种基于相似性的图去噪策略，该策略根据虚拟节点及其邻居的时间信息和区域空间模式，降低虚拟节点周围噪声连接的连接强度。大量实验表明，DarkFarseer显著优于现有的ISK方法。
引用
@article{arxiv.2501.02808,
title = {DarkFarseer: Robust Spatio-temporal Kriging under Graph Sparsity and Noise},
author = {Zhuoxuan Liang and Wei Li and Dalin Zhang and Ziyu Jia and Yidan Chen and Zhihong Wang and Xiangping Zheng and Moustafa Youssef},
journal= {arXiv preprint arXiv:2501.02808},
year = {2025}
}
备注
Accepted by AAAI'26