DyC-STG: 动态因果时空图网络用于IoT实时数据可信性分析
机器学习
2025-09-09 v1 人工智能
摘要
物联网（IoT）传感器的广泛部署产生了庞大的时空数据流，但确保数据可信性是智能家居等应用中的关键且尚未解决的挑战。虽然时空图（STG）模型是此类数据的主流范式，但它们在动态、以人为中心的环境中往往因两个基本局限而表现不足：（1）依赖静态图拓扑，无法捕捉物理的、事件驱动的动态变化；（2）倾向于将虚假相关性与真实因果关系混淆，削弱了以人为中心环境中的鲁棒性。为弥补这些差距，我们提出了动态因果时空图网络（DyC-STG），一个专为IoT实时数据可信性分析设计的新型框架。我们的框架包含两个协同贡献：一个事件驱动的动态图模块，可实时调整图拓扑以反映物理状态变化，以及一个因果推理模块，通过严格强制时间先后关系来提取因果感知的表示。为促进该领域的研究，我们发布了两个新的真实世界数据集。全面实验表明，DyC-STG建立了新的最先进水平，比最强的基线方法高出1.4个百分点，F1分数达到0.930。
引用
@article{arxiv.2509.06483,
title = {DyC-STG: Dynamic Causal Spatio-Temporal Graph Network for Real-time Data Credibility Analysis in IoT},
author = {Guanjie Cheng and Boyi Li and Peihan Wu and Feiyi Chen and Xinkui Zhao and Mengying Zhu and Shuiguang Deng},
journal= {arXiv preprint arXiv:2509.06483},
year = {2025}
}