DeepGraphONet：用于学习并零样本迁移网络系统动态响应的深度图算子网络
机器学习
2022-09-23 v1
摘要
本文提出一种深度图算子网络(DeepGraphONet)框架，用于学习逼近具有底层子图结构的复杂系统(如电网或交通)的动力学。我们通过融合(i)图神经网络(GNN)利用空间相关图信息的能力与(ii)深度算子网络(DeepONet)逼近动力系统解算子的能力来构建DeepGraphONet。所得到的DeepGraphONet随后可通过观测有限的图状态信息历史，在给定短/中期时间范围内预测动力学。此外，我们将DeepGraphONet设计为分辨率无关。即，我们不要求有限历史以精确/相同分辨率收集。另外，为传播训练好的DeepGraphONet的结果，我们设计了一种零样本学习策略，使其能在不同子图上使用。最后，在(i)电网暂态稳定预测问题与(ii)车辆系统交通流预测问题上的实证结果说明了所提DeepGraphONet的有效性。
引用
@article{arxiv.2209.10622,
title = {DeepGraphONet: A Deep Graph Operator Network to Learn and Zero-shot Transfer the Dynamic Response of Networked Systems},
author = {Yixuan Sun and Christian Moya and Guang Lin and Meng Yue},
journal= {arXiv preprint arXiv:2209.10622},
year = {2022}
}