FairSTG：通过协作样本级优化对抗性能异质性

时空学习在赋能智慧城市的移动计算技术中扮演着关键角色。尽管现有研究已付出巨大努力在整体数据集上实现准确预测，但它们仍然忽视了样本间显著的性能异质性。在本工作中，我们将性能异质性指认为导致不公正时空学习的原因，这不仅降低了模型的实际功能，也给现实世界的城市应用带来了严重的潜在风险。为弥补这一缺陷，我们提出了一种与模型无关的时空图学习公平性感知框架（FairSTG），该框架继承了利用表现良好样本的优势通过协作混合来帮助困难样本的思想。具体而言，FairSTG 包含一个用于模型初始化的时空特征提取器、一个用于在表现良好样本与困难样本之间进行知识迁移的协作表示增强模块，以及用于即时抑制样本级性能异质性的公平性目标。在四个时空数据集上的实验表明，我们的 FairSTG 在保持可比预测准确性的同时，显著提升了公平性质量。案例研究表明，FairSTG 能够通过我们的样本级检索与补偿来对抗空间和时间上的性能异质性，并且我们的工作有望缓解代表性不足的城市区域在时空资源分配上的风险。