基于动态因果解释的差分变分图神经网络用于时空预测
机器学习
2023-05-18 v1 人工智能
社会与信息网络
摘要
图神经网络（GNNs），尤其是动态 GNNs，已成为时空预测问题中的研究热点。尽管已提出许多动态图构建方法，但其中相对较少探索相邻节点之间的因果关系。因此，所得模型对动态生成图的相邻节点间因果关系缺乏强解释性，易在后续决策中引发风险。此外，极少有方法考虑基于时间序列数据集的动态图的不确定性与噪声，而这在现实图结构网络中普遍存在。本文提出一种新颖的动态差分变分图神经网络（DVGNN）用于时空预测。在动态图构建方面，设计了一种无监督生成模型。编码器阶段应用两层图卷积网络（GCN）计算隐节点嵌入的后验分布。随后，在解码器阶段使用扩散模型自适应推断动态链接概率并重建因果图。从理论上推导了新的损失函数，并在反向传播期间通过证据下界（Evidence Lower Bound）估计动态图概率分布时采用重参数化技巧。获得生成图后，应用动态 GCN 与时间注意力预测未来状态。在四个不同领域、不同图结构的真实数据集上进行了实验。结果表明，所提 DVGNN 模型优于当前最优（state-of-the-art）方法，在取得优异均方根误差（Root Mean Squared Error）结果的同时展现出更高鲁棒性。此外，通过 F1-score 与概率分布分析，我们证明 DVGNN 能更好地反映动态图的因果关系与不确定性。
引用
@article{arxiv.2305.09703,
title = {Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting},
author = {Guojun Liang and Prayag Tiwari and Sławomir Nowaczyk and Stefan Byttner and Fernando Alonso-Fernandez},
journal= {arXiv preprint arXiv:2305.09703},
year = {2023}
}