面向具有长短期特征的时空信号的图学习
社会与信息网络
2020-12-08 v2 信号处理
摘要
从高维时空信号中挖掘自然关联在生物学、气候学和金融分析等多个领域起着重要作用。然而，大多数现有工作主要研究时间独立信号，未考虑时空信号的相关性以实现高学习精度。本文旨在利用时空信号的长短期特征来学习能更好反映底层数据关系的图。首先，提出了一个同时考虑空间和时间关系的时空信号模型。特别地，我们集成低秩表示与高斯马尔可夫过程来描述时间相关性。然后，将图学习问题表述为联合低秩分量估计与图拉普拉斯推断。相应地，我们提出了一种基于低秩与时空平滑的图学习方法（GL-LRSS），该方法将时空平滑先验引入时间-顶点信号分析。通过联合利用长时间观测的低秩性和短时间观测的平滑性，整体学习性能可得到有效提升。在合成与真实世界数据集上的实验表明，所提方法相较于最先进的低秩分量估计与图学习方法在学习精度上有显著提升。
引用
@article{arxiv.1911.08018,
title = {Graph Learning for Spatiotemporal Signals with Long- and Short-Term Characterization},
author = {Yueliang Liu and Wenbin Guo and Kangyong You and Lei Zhao and Tao Peng and Wenbo Wang},
journal= {arXiv preprint arXiv:1911.08018},
year = {2020}
}
备注
13 pages, 6 figures