图-时间卷积神经网络：架构与理论分析
机器学习
2022-07-01 v1
摘要
为时空网络数据设计分析学习模型对于预测、异常检测和多智能体协调等任务具有重要意义。图卷积神经网络（GCNNs）是从时不变网络数据中学习的成熟方法。图卷积操作为聚合多分辨率信息提供了原则性方法。然而，将基于卷积的原则性学习及相应分析扩展到时空领域具有挑战性，因为时空数据具有更多内在依赖关系。因此，需要更高的灵活性来联合捕捉空间与时间依赖，以学习有意义的高阶表示。在此，我们利用积图表示数据中的时空依赖，并引入图-时间卷积神经网络（GTCNNs）作为一种原则性架构以辅助学习。所提方法可适用于任意类型的积图，我们还引入了参数化积图以学习时空耦合。卷积原理进一步允许与 GCNNs 类似的数学可处理性。特别地，稳定性结果表明 GTCNNs 对空间扰动是稳定的，但可判别性与鲁棒性之间存在隐式权衡；即模型越复杂，稳定性越差。在基准数据集上的大量数值结果证实了我们的发现，并表明 GTCNN 优于最先进的方案。我们预期 GTCNN 将成为更复杂模型的起点，这些模型既取得良好性能又具有理论基础。
引用
@article{arxiv.2206.15174,
title = {Graph-Time Convolutional Neural Networks: Architecture and Theoretical Analysis},
author = {Mohammad Sabbaqi and Elvin Isufi},
journal= {arXiv preprint arXiv:2206.15174},
year = {2022}
}