KITS：采用增量训练策略的归纳式时空克里金方法

传感器常被部署以感知环境。然而，由于成本高昂，传感器通常部署稀疏。克里金是专为利用已观测源节点（含传感器）推断未观测节点（无传感器）而设计的任务。克里金任务的本质是可迁移性。近来，若干基于图神经网络的归纳式时空克里金方法被提出，其通过掩盖节点并重建等 pretext 任务在已观测节点所建图上进行训练。然而，训练所用图不可避免地比推理时包含全部已观测与未观测节点的图稀疏得多，所学模式无法很好泛化至推理，称为图间隙。为解决该问题，我们首先提出一种新颖的增量训练策略：不掩盖节点（并重建），而是向训练图中添加虚拟节点，从而自然缓解图间隙问题。但无标签的空壳虚拟节点可能学到不良特征且缺乏监督信号。为解决这些问题，我们将每个虚拟节点与其最相似已观测节点配对并融合特征；为增强监督信号，我们为虚拟节点构建可靠伪标签。由此，虚拟节点的所学模式可安全迁移至真实未观测节点以实现可靠克里金。我们将这一采用增量训练策略的新克里金模型命名为KITS。大量实验表明，KITS持续大幅优于现有克里金方法，例如MAE指标的改进可达18.33%。