图-时间卷积神经网络
机器学习
2021-03-03 v1 人工智能
神经与进化计算
信号处理
摘要
时空数据可表示为图上的过程，其显式或隐式地捕获空间关系。如何利用此类结构学习表示是处理图时的关键挑战之一。本文通过积图表示时空关系，并发展了基于第一性原理的图-时间卷积神经网络（GTCNN）。GTCNN是一种组合架构，每一层包含图-时间卷积模块、图-时间池化模块和非线性函数。我们遵循卷积算子的移位求和原理发展图-时间卷积滤波器，以在积图上学习更高层特征。积图本身是参数化的，从而我们也能从数据中学得时空耦合。我们发展了零填充池化，在保留空间图（关于数据的先验）的同时减少活跃节点数与参数。基于合成与真实数据的实验结果验证了各组件，并与基线及最先进方案进行比较。
引用
@article{arxiv.2103.01730,
title = {Graph-Time Convolutional Neural Networks},
author = {Elvin Isufi and Gabriele Mazzola},
journal= {arXiv preprint arXiv:2103.01730},
year = {2021}
}
备注
IEEE Data Science and Learning Workshop, Toronto, Canada, 2021