利用循环消息传递块增强时空图中的拓扑依赖
机器学习
2025-12-24 v3 人工智能
摘要
图神经网络（GNN）和基于 Transformer 的模型被越来越多地用于学习时空图的复杂向量表示，以捕捉对交通数据集等应用至关重要的复杂时空依赖关系。尽管许多现有方法利用多头注意力机制和消息传递神经网络（MPNN）来捕捉空间和时间关系，但这些方法独立地编码时间和空间关系，且对图的拓扑特征反映有限。在本工作中，我们引入了 Cycle to Mixer（Cy2Mixer），这是一种基于时空图的拓扑非平凡不变量并结合门控多层感知机（gMLP）的新型时空 GNN。Cy2Mixer 由三个基于 MLP 的块组成：用于捕捉时间属性的时间块，用于封装空间信息的消息传递块，以及通过循环子图丰富拓扑信息的循环消息传递块。我们以数学证据支持了 Cy2Mixer 的有效性，强调与消息传递块相比，我们的循环消息传递块能够为深度学习模型提供差异化信息。此外，实证评估证实了 Cy2Mixer 的有效性，在各种时空基准数据集上展现了最先进的性能。源代码可在 https://github.com/leemingo/cy2mixer 获取。
引用
@article{arxiv.2401.15894,
title = {Enhancing Topological Dependencies in Spatio-Temporal Graphs with Cycle Message Passing Blocks},
author = {Minho Lee and Yun Young Choi and Sun Woo Park and Seunghwan Lee and Joohwan Ko and Jaeyoung Hong},
journal= {arXiv preprint arXiv:2401.15894},
year = {2025}
}
备注
Proceedings of the Third Learning on Graphs Conference (LoG 2024)